保持简洁：含不可靠客户端的联邦学习容错性评估
机器学习
2023-10-23 v1 人工智能
分布式、并行与集群计算
摘要
联邦学习（FL）作为一种新兴的人工智能（AI）方法，支持跨多设备去中心化模型训练而不暴露其本地训练数据。FL 在学术界与工业界日益受到欢迎。尽管已有研究工作提出提升 FL 的容错性，但不可靠设备（如掉线、错误配置、数据质量差）在真实应用中的实际影响尚未被充分研究。我们精心选取了两个具有少量客户端的代表性真实分类问题，以更好地分析 FL 的容错性。与直觉相反，简单的 FL 算法在存在不可靠客户端时表现得出奇地好。
引用
@article{arxiv.2305.09856,
title = {Keep It Simple: Fault Tolerance Evaluation of Federated Learning with Unreliable Clients},
author = {Victoria Huang and Shaleeza Sohail and Michael Mayo and Tania Lorido Botran and Mark Rodrigues and Chris Anderson and Melanie Ooi},
journal= {arXiv preprint arXiv:2305.09856},
year = {2023}
}