ATR-Bench：适应性、可信性与推理性的联邦学习基准
机器学习
2026-05-05 v2 计算与语言
计算机视觉与模式识别
摘要
联邦学习（FL）作为一种在保持数据隐私的前提下实现去中心化参与者协作模型训练的新兴范式，日益受到关注。随着联邦学习的普及，众多技术被提出以解决其实际挑战。然而，缺乏对关键维度的标准化评估，阻碍了系统性进展和公平的方法比较。在本工作中，我们引入 ATR-Bench，一个统一的框架，用于通过三个基础维度分析联邦学习：适应性（Adaptation）、可信性（Trust）和推理性（Reasoning）。我们对每个主题的概念基础、任务形式化及开放性研究挑战进行了深入剖析。我们广泛基准测试了代表性方法和数据集，以评估对异构客户端的适应性以及在对抗或不可靠环境下的可信性。由于缺乏可靠的推理度量和模型，本文仅提供基于文献的见解。ATR-Bench 为联邦学习的系统性和整体评估奠定了基础，具有现实世界的相关性。我们将公开完整的代码库，并维护一个持续跟踪 FL 文献中新发展和研究的精选仓库。
引用
@article{arxiv.2505.16850,
title = {ATR-Bench: A Federated Learning Benchmark for Adaptation, Trust, and Reasoning},
author = {Tajamul Ashraf and Mohammed Mohsen Peerzada and Moloud Abdar and Yutong Xie and Yuyin Zhou and Xiaofeng Liu and Iqra Altaf Gillani and Janibul Bashir},
journal= {arXiv preprint arXiv:2505.16850},
year = {2026}
}
备注
This paper is withdrawn due to issues in attribution to related work and the fair attribution of benchmark results, which were not adequately addressed at the time of submission. These issues affect the experimental analysis and require substantial revision