FedNoisy：联邦噪声标签学习基准
机器学习
2025-02-25 v4 人工智能
摘要
联邦学习因能在不聚合客户端敏感数据的情况下进行分布式学习而广受欢迎。但与此同时，数据隔离的分布式与孤立特性可能因数据质量而变得复杂，使其更易受噪声标签影响。已有诸多工作致力于在集中式或联邦式设定下抵御噪声标签的负面影响。然而，目前缺乏一个全面考量各类典型 FL 设定中噪声标签影响的基准。本工作中，我们提供了首个标准化基准，可帮助研究者充分探索潜在的联邦噪声设定。此外，我们开展了全面实验以探究这些数据设定的特征及基线间的比较，或可指导未来的方法开发。我们突出了基准中提出的 6 个数据集的 20 种基础设定，以及用于联邦噪声标签学习的标准化仿真流程，包括对 9 个基线的实现。我们希望该基准能促进带噪声标签的联邦学习中的思路验证。\texttt{FedNoisy} 可在 \codeword{https://github.com/SMILELab-FL/FedNoisy} 获取。
引用
@article{arxiv.2306.11650,
title = {FedNoisy: Federated Noisy Label Learning Benchmark},
author = {Siqi Liang and Jintao Huang and Junyuan Hong and Dun Zeng and Jiayu Zhou and Zenglin Xu},
journal= {arXiv preprint arXiv:2306.11650},
year = {2025}
}
备注
Add experiment results for baseline comparison