Systems
保持簡單：不可靠客戶端下聯邦學習的容錯性評估
Author
Venue
IEEE Cloud 2023
Abstract
聯邦學習（FL）作為一種新興的人工智慧（AI）方法，能夠在多個裝置間進行去中心化的模型訓練，同時不暴露其本地訓練資料。FL 在學術界與產業界皆日益受到重視。儘管已有研究提出改善 FL 容錯性的方案，但不可靠裝置（例如：斷線、設定錯誤、資料品質不佳）在實際應用中的真實影響尚未被充分探討。 我們精心挑選了兩個具有代表性的真實世界分類問題，並將客戶端數量限制在有限範圍內，以更深入地分析 FL 的容錯能力。與直覺相反，即使存在不可靠的客戶端，簡單的 FL 演算法仍能展現出令人驚訝的優異表現
