Федеративное обучение (FL) - это быстро развивающаяся область исследований в машинном обучении. Однако существующие библиотеки FL не могут адекватно поддерживать разнообразное алгоритмическое развитие; непоследовательное использование наборов данных и моделей затрудняет честное сравнение алгоритмов. В этой работе мы представляем FedML, открытую исследовательскую библиотеку и эталон, чтобы облегчить разработку алгоритмов FL и честное сравнение производительности. FedML поддерживает три вычислительных парадигмы: обучение на устройстве для крайних устройств, распределенные вычисления и симуляцию на одном компьютере. FedML также способствует разнообразным алгоритмическим исследованиям с гибким и универсальным дизайном API и обширными эталонными реализациями (оптимизатор, модели и наборы данных). Мы надеемся, что FedML сможет предоставить эффективные и воспроизводимые средства для разработки и оценки алгоритмов FL, которые принесут пользу сообществу исследователей FL.
Статья
FedML: Исследовательская библиотека и эталон для федеративного машинного обучения
--
Отказ от ответственности. Содержит мнения третьих сторон. Не является рекомендацией. Binance AI не предоставляет гарантий. См. Правила и условия.