联邦学习算法自动化搜索工具Auto-FL-Research发布

联邦学习研究常面临算法选择的复杂性：优化器变体、服务器聚合规则、本地训练计划等众多参数需要大量人工探索，且公平比较不同算法组合存在困难。近日，研究团队在arXiv发布Auto-FL-Research（AFR）系统，采用约束编码代理工作流来自动搜索联邦学习算法配方。该系统允许智能代理提出并实现候选训练算法，包括服务器聚合规则、客户端更新计划、本地目标函数和注册模型变体，同时通过任务配置文件固定变异范围、计算预算、通信协议和最终模型评估标准。每个搜索活动记录候选算法得分、运行时间、修改文件、生成结果和失败状态。研究团队在五个医疗跨机构FLamby任务以及LEAF数据集的六个配置上评估AFR。五轮重复实验显示，系统在四个FLamby任务和五个LEAF配置上实现性能提升，同时也揭示了种子敏感性和搜索选择的失败案例。相同预算对照实验表明，部分性能提升源于联邦学习算法配方的实质性改变，而其他改进则可通过固定参数调整实现，或在重复实验或保留评估中失效。这些混合结果本身具有研究价值：它们展示了如何将代理生成的候选算法区分为可重复的联邦学习机制、固定参数调整效应和单次运行特定结果。