FLGo：一个完全可定制的联邦学习平台
机器学习
2023-06-22 v1 分布式、并行与集群计算
摘要
联邦学习（FL）已在医疗、金融和物联网场景中找到众多应用。许多现有 FL 框架提供一系列基准以评估现实条件下 FL 的性能。然而，为适配特定应用设置、数据异构性和系统异构性而定制仿真的过程通常仍不必要地复杂。这为传统 ML 研究者探索 FL 的使用造成了显著障碍，同时也损害了跨 FL 框架的代码可共享性。为解决此问题，我们提出一个名为 FLGo 的新型轻量级 FL 平台，以高度可共享的方式促进跨应用 FL 研究。我们的平台提供 40+ 基准、20+ 算法和 2 个系统模拟器作为开箱即用插件。我们还提供用户友好 API 用于快速定制可立即共享和复用以改善可复现性的新插件。最后，我们开发了一系列实验工具，包括并行加速、实验跟踪与分析器以及参数自动调优。FLGo 维护于 \url{flgo-xmu.github.io}。
引用
@article{arxiv.2306.12079,
title = {FLGo: A Fully Customizable Federated Learning Platform},
author = {Zheng Wang and Xiaoliang Fan and Zhaopeng Peng and Xueheng Li and Ziqi Yang and Mingkuan Feng and Zhicheng Yang and Xiao Liu and Cheng Wang},
journal= {arXiv preprint arXiv:2306.12079},
year = {2023}
}