联邦学习对机器学习模型准确率影响的实证研究
机器学习
2025-03-28 v2 分布式、并行与集群计算
摘要
联邦学习（Federated Learning, FL）使能够在全球规模上对私有用户数据进行分布式机器学习模型训练。尽管在许多领域展示了FL的潜力，但其对模型准确率影响的深入了解仍不清晰。本文系统地研究了这种学习范式如何影响各种机器学习任务中最先进机器学习模型的准确率。我们提出了一项涉及多种数据类型：文本、图像、音频和视频，以及FL配置参数：数据分布、FL规模、客户端抽样以及本地和全局计算的实证研究。在统一的FL框架内进行实验，以实现高保真度，耗费大量人力和资源投入。基于实验结果，我们对FL的影响进行量化分析，突出显示应用FL后会大幅降低模型准确率的挑战性场景，并识别影响微乎其微的情况。详实且广泛的发现结果可为实际部署和FL的未来发展提供帮助。
引用
@article{arxiv.2503.20768,
title = {An Empirical Study of the Impact of Federated Learning on Machine Learning Model Accuracy},
author = {Haotian Yang and Zhuoran Wang and Benson Chou and Sophie Xu and Hao Wang and Jingxian Wang and Qizhen Zhang},
journal= {arXiv preprint arXiv:2503.20768},
year = {2025}
}