PFLlib：一个初学者友好且全面的个性化联邦学习库与基准平台
机器学习
2025-02-28 v2 分布式、并行与集群计算
摘要
在联邦学习（Federated Learning, FL）这一允许在保护数据隐私的同时进行协作学习的机器学习范式持续发展的背景下，个性化联邦学习（personalized FL, pFL）作为FL领域内的一个研究方向已获得显著关注。传统联邦学习（traditional FL, tFL）侧重于联合学习一个全局模型，而pFL旨在FL设置中平衡每个客户端的全局目标与个性化目标。为促进pFL研究社区的发展，我们发起并构建了PFLlib，一个集成了基准平台的综合性pFL库。在PFLlib中，我们实现了37种最先进的FL算法（8种tFL算法和29种pFL算法），并提供了多种评估环境，涵盖三种统计异构场景和24个数据集。目前，PFLlib在GitHub上已获得超过1600颗星标和300次复刻。
引用
@article{arxiv.2312.04992,
title = {PFLlib: A Beginner-Friendly and Comprehensive Personalized Federated Learning Library and Benchmark},
author = {Jianqing Zhang and Yang Liu and Yang Hua and Hao Wang and Tao Song and Zhengui Xue and Ruhui Ma and Jian Cao},
journal= {arXiv preprint arXiv:2312.04992},
year = {2025}
}
备注
Accepted by JMLR