面向泛化性、鲁棒性与公平性的联邦学习：综述与基准
机器学习
2023-11-14 v1 人工智能
摘要
联邦学习已成为不同方之间隐私保护协作的一种有前景的范式。近来，随着联邦学习的普及，大量方法涌现以应对不同的现实挑战。本综述对该领域重要且近期的研究进展进行了系统概述。首先，我们介绍该领域的研究历史与术语定义。随后，我们全面回顾三条基础研究主线：泛化性、鲁棒性与公平性，分别介绍其背景概念、任务设定与主要挑战。我们还对方法与数据集方面的代表性文献作了详细概述。我们进一步在多个知名数据集上对所述方法进行了基准测试。最后，我们指出该领域若干开放问题并建议未来研究方向。我们还提供了一个公开网站以持续追踪这一快速发展领域的进展：https://github.com/WenkeHuang/MarsFL。
引用
@article{arxiv.2311.06750,
title = {Federated Learning for Generalization, Robustness, Fairness: A Survey and Benchmark},
author = {Wenke Huang and Mang Ye and Zekun Shi and Guancheng Wan and He Li and Bo Du and Qiang Yang},
journal= {arXiv preprint arXiv:2311.06750},
year = {2023}
}
备注
22 pages, 4 figures