ProFed：基于邻近性的非IID联邦学习基准
机器学习
2025-03-27 v1
摘要
近年来，联邦学习( FL)在机器学习社区中受到广泛关注。尽管已提出了各种FL算法，但其性能往往在数据跨客户端呈非独立同分布(non-IID)情况下会下降。这种数据分布的偏斜常源于地理模式，例如文本数据中的区域语言差异或城市环境中的局部交通模式。此类情形导致特定区域内的数据呈IID分布，但跨区域的数据呈非IID分布。然而，现有的FL算法通常通过随机划分非IID数据来评估，忽略了其空间分布。为此，我们引入ProFed，一个模拟不同区域数据划分呈现不同程度偏斜的基准。我们纳入文献中几种偏斜方法并应用于著名数据集，包括MNIST、FashionMNIST、CIFAR-10和CIFAR-100。我们的目标是为研究人员提供一个标准化框架，以更有效、更一致的方式评估FL算法。
引用
@article{arxiv.2503.20618,
title = {ProFed: a Benchmark for Proximity-based non-IID Federated Learning},
author = {Davide Domini and Gianluca Aguzzi and Mirko Viroli},
journal= {arXiv preprint arXiv:2503.20618},
year = {2025}
}