FLINT：一个联邦学习集成平台
机器学习
2023-03-14 v2 分布式、并行与集群计算
摘要
跨设备联邦学习（FL）已从算法、系统可扩展性和训练速度角度得到充分研究。然而，将数百万或数十亿设备从集中式训练转向跨设备FL会带来诸多风险，包括性能损失、开发者惰性、糟糕的用户体验和意外的应用故障。此外，相应基础设施、开发成本和投资回报难以估计。在本文中，我们提出一个与现有机器学习平台集成的设备-云协同FL平台，提供工具以度量现实约束、评估基础设施能力、评价模型训练性能并估算系统资源需求，从而负责任地将FL投入生产。我们还提出一个决策工作流，利用该FL集成平台综合评估跨设备FL的权衡，并分享我们对影响数亿用户的业务关键机器学习应用的实证评估。
引用
@article{arxiv.2302.12862,
title = {FLINT: A Platform for Federated Learning Integration},
author = {Ewen Wang and Ajay Kannan and Yuefeng Liang and Boyi Chen and Mosharaf Chowdhury},
journal= {arXiv preprint arXiv:2302.12862},
year = {2023}
}
备注
Preprint for MLSys 2023