COALA：面向实用场景的面向视觉的联邦学习平台
计算机视觉与模式识别
2024-07-24 v1 分布式、并行与集群计算
摘要
我们提出COALA，一个面向视觉任务的联邦学习平台，以及一套用于实际联邦学习场景的基准测试套件。我们将实际场景分为三个层次：任务、数据和模型。在任务层面，COALA将支持从简单分类扩展至15种计算机视觉任务，包括目标检测、分割、姿态估计等，并支持联邦多任务学习，使客户端能够同时解决多个任务。在数据层面，COALA不仅针对监督式联邦学习进行基准测试，还对半监督式联邦学习和无监督式联邦学习进行测试。此外，COALA还对除通常关注的标签分布偏移之外的特征分布偏移进行基准测试。除了处理静态数据，COALA还支持针对实际场景中持续变化数据的联邦持续学习。在模型层面，COALA对使用不同模型的联邦学习以及不同客户端上使用不同模型的联邦学习进行基准测试。COALA平台为这些实际场景提供了三种程度的定制选项，包括配置定制、组件定制和工作流程定制。我们进行了系统性的基准测试实验，突出了联邦学习在实际场景中潜在的进一步发展机会。代码已开源于 https://github.com/SonyResearch/COALA。
引用
@article{arxiv.2407.16560,
title = {COALA: A Practical and Vision-Centric Federated Learning Platform},
author = {Weiming Zhuang and Jian Xu and Chen Chen and Jingtao Li and Lingjuan Lyu},
journal= {arXiv preprint arXiv:2407.16560},
year = {2024}
}
备注
ICML'24