PracMHBench：基于实际边缘设备约束重新评估模型异构性联邦学习

在资源约束多样的边缘设备上进行异构模型联邦学习是近年来一个值得关注的趋势。与假设协作时模型架构完全相同的传统联邦学习相比，模型异构性联邦学习更为实际和灵活，因为模型可以根据部署需求进行定制。然而，目前没有任何前期工作在实际边缘设备约束下深入分析现有的模型异构性联邦学习算法，并对各种数据场景和指标进行量化评估，这促使我们重新思考和重新评估这一范式。在本工作中，我们构建了一个名为 \textbf{PracMHBench} 的系统平台，用于在边缘设备的实际约束下评估模型异构性联邦学习，平台对各种模型异构性算法进行分类测试，并在多个数据任务和指标上进行测试。基于该平台，我们在不同的边缘约束下对这些算法进行大量实验，以观察其适用性和相应的异构性模式。