联邦学习评估综述：目标与度量
机器学习
2024-03-26 v2 密码学与安全
分布式、并行与集群计算
摘要
评估是一种系统性的方法，用于衡量系统实现其预期目的的程度。联邦学习（FL）是一种用于隐私保护机器学习的新型范式，允许多方在不共享敏感数据的情况下协作训练模型。然而，由于其跨学科性质和多样化目标（如效用、效率和安全性），评估 FL 具有挑战性。在本综述中，我们首先回顾现有研究采用的主要评估目标，然后探讨针对每个目标所使用的评估指标。我们还介绍了 FedEval，一个开源平台，从效用、效率和安全性方面为 FL 算法提供标准化且全面的评估框架。最后，我们讨论了 FL 评估的若干挑战和未来研究方向。
引用
@article{arxiv.2308.11841,
title = {A Survey for Federated Learning Evaluations: Goals and Measures},
author = {Di Chai and Leye Wang and Liu Yang and Junxue Zhang and Kai Chen and Qiang Yang},
journal= {arXiv preprint arXiv:2308.11841},
year = {2024}
}