yigan_Eins的博客

本文着重讲解了联邦学习的出现和去中心化联邦学习的概念，以及精度论文《Accelerating Decentralized Federated Learning in Heterogeneous Edge Computing》（《加速异构边缘计算中的分散联邦学习》），提出了一种高效算法CoCo以加速DFL，它自适应地构建P2P网络拓扑，并为所有worker确定适当的压缩比，以克服网络动力学和系统异构性问题。

本文将为大家讲解FLGo中如何使用不同的算法进行联邦学习训练以及如何自定义模型和切换模型进行训练。

本文详细介绍了联邦学习框架的基本运行环境配置和数据集管理。在联邦学习中，数据集的管理不仅包括数据的准备和加载，还需要考虑数据的分布特性。

FLGo是一个轻量级联邦学习框架，允许数据保留在本地设备上训练模型来确保用户的隐私性，降低了数据泄露的风险。该框架支持多个客户端同时参与模型训练，提高了训练过程的效率，充分利用了边缘设备的计算能力。原知乎教程链接手把手实战联邦学习FLGo的开发宗旨是让做联邦学习相关的研究变得更加简单。帮助使用者很轻松地自己手写一个联邦学习算法，并与其他算法进行对比；提供了数个主流地联邦数据集基准（图像、文本、图、表格等），支持各种常见地数据异构性划分，并提供接口辅助大家尝试在自己的数据集上进行联邦学习；