FLBench：一个联邦学习基准测试套件
机器学习
2021-03-15 v3 机器学习
摘要
联邦学习是一种新的机器学习范式。其目标是从分布在多个设备（即所谓的孤立数据岛）上的数据集中构建机器学习模型，同时保持数据的安全与隐私。大多数现有的联邦学习基准测试通过手动将常用公开数据集切分为多个分区来模拟现实世界中的孤立数据岛场景。然而，这种模拟未能捕捉现实世界孤立数据岛的固有特征。本文提出一个名为 FLBench 的联邦学习（FL）基准测试套件。FLBench 包含医疗、金融和 AIoT 三个领域。通过配置不同领域，FLBench 能够评估联邦学习系统与算法在通信、场景转换、隐私保护、数据分布异质性和协作策略等关键方面的表现。因此，它成为一个用于开发新型联邦学习算法的前景广阔的平台。目前，FLBench 已开源并处于快速演进中。我们将其打包为一个自动化部署工具。该基准测试套件可从 https://www.benchcouncil.org/flbench.html 获取。
引用
@article{arxiv.2008.07257,
title = {FLBench: A Benchmark Suite for Federated Learning},
author = {Yuan Liang and Yange Guo and Yanxia Gong and Chunjie Luo and Jianfeng Zhan and Yunyou Huang},
journal= {arXiv preprint arXiv:2008.07257},
year = {2021}
}
备注
12 pages, 1 figures