开源联邦学习框架中缺陷的全面实证研究
软件工程
2023-10-09 v2 机器学习
摘要
联邦学习（FL）是一种分布式机器学习（ML）范式，允许多个客户端协作训练共享机器学习（ML）模型而不暴露客户端数据隐私。近年来它获得大量关注，尤其自许多国家实施数据保护法律法规以来。为促进 FL 应用，已提出多种 FL 框架，使非专家能轻松训练 ML 模型。因此，理解 FL 框架中的缺陷对促进更好 FL 框架开发并潜在鼓励缺陷检测、定位与修复工具开发至关重要。为此，我们开展首项实证研究以全面收集、分类并刻画 FL 框架中的缺陷。具体地，我们手动收集并分类来自 GitHub 上 17 个流行且具代表性的开源 FL 框架中所有 676 个已关闭议题与 514 个已合并拉取请求的 1,119 个缺陷。我们提出将这些缺陷分类为 12 种缺陷症状、12 种根因与 18 种修复模式。我们还研究了它们在 23 种功能上的关联与分布。我们从研究中识别出九项主要发现，并基于发现讨论其意义与未来研究方向。
引用
@article{arxiv.2308.05014,
title = {A Comprehensive Empirical Study of Bugs in Open-Source Federated Learning Frameworks},
author = {Weijie Shao and Yuyang Gao and Fu Song and Sen Chen and Lingling Fan and JingZhu He},
journal= {arXiv preprint arXiv:2308.05014},
year = {2023}
}