Systems
保持简单：不可靠客户端下联合学习的容错性评估
Author
Venue
IEEE Cloud 2023
Abstract
联邦学习（FL）作为一种新兴的人工智能（AI）方法，能够在不暴露本地训练数据的情况下，实现跨多设备的去中心化模型训练。FL在学术界和工业界正日益受到关注。尽管已有研究致力于提升FL的容错能力，但不可靠设备（如断连、配置错误、数据质量低下等）在实际应用中的真实影响尚未得到充分研究。 我们精心挑选了两个具有代表性的、客户端数量有限的现实世界分类问题，以更好地分析 FL 的容错性。与直觉相反，在存在不可靠客户端的情况下，简单的 FL 算法表现却出人意料地好
