L'apprentissage fédéré (FL) est un domaine de recherche en pleine croissance dans l'apprentissage automatique. Cependant, les bibliothèques FL existantes ne peuvent pas soutenir de manière adéquate le développement d'algorithmes divers ; l'utilisation incohérente des ensembles de données et des modèles rend la comparaison équitable des algorithmes difficile. Dans ce travail, nous introduisons FedML, une bibliothèque de recherche ouverte et un benchmark pour faciliter le développement d'algorithmes FL et la comparaison équitable des performances. FedML prend en charge trois paradigmes de calcul : l'entraînement sur appareil pour les dispositifs de périphérie, le calcul distribué et la simulation sur machine unique. FedML promeut également la recherche algorithmiquement diversifiée avec un design d'API flexible et générique et des implémentations de référence complètes (optimiseur, modèles et ensembles de données). Nous espérons que FedML pourrait fournir un moyen efficace et reproductible pour développer et évaluer des algorithmes FL qui bénéficierait à la communauté de recherche FL.
Article
FedML : Une bibliothèque de recherche et un benchmark pour l'apprentissage automatique fédéré
--
Avertissement : ce contenu inclut des opinions de tiers. Il ne constitue pas un conseil. Binance Ai peut être utilisée, sans garantie de résultat. Consultez les CG.