联邦学习中的性能限制研究

隐私 concerns 和对数据访问的限制引发了一种新型机器学习范式——联邦学习 (FL) 的发展。联邦学习借用了分布式机器学习的许多思想，但与联邦学习相关的挑战使其成为一个有趣的工程问题，因为模型是在边缘设备上训练的。FL 于 2016 年由 Google 引入，此后正积极进行不同领域的研究，如联邦优化算法、模型和更新压缩、差分隐私、鲁棒性和攻击、联邦生成对抗网络以及隐私保留的个人化。联邦机器学习系统开发中存在许多开放性挑战，本项目将关注通信瓶颈和数据非独立同分布性 (Non IID-ness)，以及其对模型性能的影响。这些问题在基线模型上进行特征化，评估模型性能，并讨论如何克服这些问题。