May, 2021

FedScale：大规模联邦学习模型和系统性能基准测试

PDF
TL;DR介绍了 FedScale，一种联邦学习测试套件，具有现实数据集和可扩展运行时，旨在支持可重复制的联邦学习研究，可以进行系统性测试以提高异构感知的联合优化能力。
发现论文，激发创造
  • FedML：联邦机器学习研究库与基准

    介绍了一个开放的研究库和基准，名为 FedML，旨在促进联邦学习算法的开发和公平性能比较，支持三种计算范例，并带有灵活和通用的 API 设计和全面的参考实现。

    Jul, 2020

  • FedLLM-Bench：面向大型语言模型的联邦学习实验基准

    基于 FedLLM-Bench 数据集，我们在多个数据集上进行了实验，对现有的 FL 方法进行了基准测试，在多语言协作等方面提供了实证见解。

    Jun, 2024

  • FedNLP: 自然语言处理联邦学习方法的基准测试

    本研究提出 FedNLP 框架，用于比较研究隐私保护、分散式学习方法在自然语言处理任务中的表现，并分析不同分区策略下联邦学习方法与自然语言处理的关联，为未来的研究提供借鉴。

    Apr, 2021

  • FedGraphNN：图神经网络联邦学习系统和基准

    本研究介绍 FedGraphNN，一个用于解决中心化实际世界图形数据训练 GNN 所面临的隐私问题的开放式分布式学习平台，涵盖各种数据集，流行的 GNN 模型以及 FL 算法，维护源代码的统一公式和安全高效的系统支持。

    Apr, 2021

  • 分布式学习算法性能评估研究

    分布式学习是一种实际的方法，用于从分散的数据中训练模型。分布式学习算法（如 FedAvg、FedProx、FedYogi、FedAdam、SCAFFOLD 和 FedDyn）的综合性能评估揭示了单一算法在不同性能指标上表现并不最佳，同时也存在诸如计算负载、通信负载、性能稳定性等方面的问题。

    Mar, 2024

  • 佛罗里达计划：简化联邦学习

    通过提供云托管基础设施和任务管理接口，以及支持大多数主流编程语言（包括 C++、Java 和 Python）的多平台 SDK，Project Florida 旨在简化跨设备的联邦学习解决方案的部署任务。它使得服务管理与联邦学习工作流程解耦，可以向机器学习工程师和应用开发者提供联邦学习即服务（FLaaS）的云服务。

    Jul, 2023

  • 系统设计：朝着大规模联邦学习迈进

    本文描述了在移动设备领域基于 TensorFlow 构建的分布式机器学习方法 —— 联邦学习的高级设计，以及所面临的挑战、解决方案和未来研究方向。

    Feb, 2019

  • 联邦学习中的异质性好还是坏：FedVal

    本论文提出了一种名为 FedVal 的新方法，该方法基于服务器端验证方法，使用创新的评分函数来评估客户端更新，并确定本地训练模型之间的最佳聚合平衡，从而提高鲁棒性和公平性，同时维护差分隐私的系统能力。在 CIFAR-10，FEMNIST 和 PUMS ACSIncome 数据集上的广泛实验证明了我们的方法的有效性，实现了最先进的性能。

    Jun, 2023

  • Flower：一个友好的联邦学习研究框架

    介绍了一种名为 Flower 的综合性联合学习框架，可以执行大规模的联合学习实验，并考虑丰富的异构 FL 设备方案。

    Jul, 2020

  • 参数化联合持续学习与可复现研究

    我们提出了一个可完全配置的框架 Freddie，用于解决分布式连续学习领域中存在的性能问题，该框架结合了实验最佳实践，能在大量机器上无缝部署，并通过两个使用案例验证了其有效性。

    Jun, 2024