Skip to content

About

CPU-friendly federated learning research on time-budgeted client selection in heterogeneous cloud-edge sensing, featuring reproducible benchmarks and parallel agent-driven optimization.

Resources

Contributing

Stars

0 stars

Watchers

0 watching

Forks

Repository files navigation

EdgeFL Client Selection

面向异构云边感知的联邦学习客户端选择课程研究项目。四位成员使用 zzr / zzw / ghj / xyk 独立工作区,共享评测规则、实验记录与可继承成果,不设固定研究分工。

当前阶段:bootstrap。 已有统一 uv 环境、真实 HAPT 数据审计、FedAvg-U/FedProx-U 短程联邦训练、计费、开发验证和完整恢复流程。研究时间预算尚未校准,SCAFFOLD/Oort 等强基线和正式实验仍待完成,排行榜与 Champion 保持为空。

从这里开始

  1. 阅读 协作流程,确定自己的工作区和分支。
  2. 阅读 共同目标、当前状态 和 评测协议。
  3. 人工开发遵循 CONTRIBUTING.md;AI 助手同时遵循 AGENTS.md 和个人工作区的 AGENTS.md。
  4. 按 首阶段任务清单 完成基础建设,再开展算法搜索。

统一环境与本地检查

全员使用 uv 0.12.23 + CPython 3.11.17 + 仓库自己的 .venv。主依赖与间接依赖由已提交的 uv.lock 对齐;Windows/Linux 使用 CPU 版 PyTorch。首次 clone 或依赖变更后,在仓库根目录执行:

uv sync --locked
uv run --locked --exact python scripts/check_environment.py
uv run --locked --exact python scripts/smoke_train.py
uv run --locked --exact python scripts/validate_pipeline.py --prepare
uv run --locked --exact python scripts/check_repo.py
uv run --locked --exact python -m unittest discover -s tests -v
uv run --locked --exact python scripts/sync_leaderboard.py --check

uv sync --locked 自动创建项目虚拟环境并按锁文件同步;运行统一使用 uv run --locked --exact,不使用系统 Python 或手工 pip 安装。详见 环境规范。

smoke_train.py 是合成数据环境检查;validate_pipeline.py --prepare 下载/审计真实 HAPT 并验证完整开发链路,主运行只跑 8 轮,另做短程场景、工作区和恢复检查。两种 smoke 的成绩均不进入项目排行榜。流程说明见 真实数据短程验证。

目录用途

路径 用途 搜索阶段的修改方式
benchmark/ 已有真实 HAPT + FedAvg/FedProx 开发链路、消息计费和恢复 共享核心,变更须统一评审和版本化
baselines/ 当前提供随机选择器;FedAvg/FedProx 优化实现在共享 trainer 中 其余强基线按同一协议补齐
configs/ 评测、成本、基线与最终实验配置 校准后冻结;禁止候选私自改变
agents/<name>/ 个人策略、配置、研究日志、交接与已发布摘要 每人主要在自己的目录内工作
shared/ 共同目标、派生排行榜、假设索引与 Champion 引用 派生文件由脚本更新,其余经合并集成
artifacts/ 本地日志、检查点、草稿记录和大文件 Git 忽略;外部保存后记录位置
data/ 原始数据、缓存与数据清单 原始数据和缓存不提交 Git
flbench/、scripts/ 可运行的协作工具 共享工具,经测试后集成
docs/ 架构、实验、协作规范与原始项目材料 所有人可提出修订

完整说明见 架构 与 实验记录指南。

Benchmark、Baseline 与成绩

  • Benchmark:已可短程运行的开发流程,基于真实 HAPT 的 30 个逻辑客户端,每轮选择 6 个;正式固定 B 比较仍待校准。
  • Baseline:随机 FedAvg-U、FedProx-U、SCAFFOLD、轮转、Fast/Random、Oort;另有本地训练与集中训练参考。实现状态见 基线清单。
  • 主指标:相同模拟时间预算下的客户端等权平均 Macro-F1。开发阶段只读开放验证集;最终测试在算法冻结后统一执行。
  • 当前限制:模拟预算 B、成本标定、真实数据清单和晋级阈值均为空,排行榜不得用占位数值填充。

四人协作

main             已集成的共享代码、协议和已发布记录
agent/zzr        zzr 的独立研究分支
agent/zzw        zzw 的独立研究分支
agent/ghj        ghj 的独立研究分支
agent/xyk        xyk 的独立研究分支

每人先同步 main 与已发布成果,再读自己的 HANDOFF.md,提出假设、开展实验、记录正负结果、提交 PR。不同电脑使用独立 clone;同一电脑多工作区使用 Git worktree。未提交、未推送的本地文件不会自动共享。

setup/collaboration-scaffold 是本次本地搭建分支;初次上传待仓库创建者审阅确认。仓库不预设某个人担任长期集成者,由每次合并的负责人检查共享文件和记录。

原始依据

原始规划保留为研究背景;当前可执行命令以 README 和 --help 为准。已提供准备数据与短程端到端验收命令,尚未实现原规划的完整批量搜索和最终评测 CLI。

About

CPU-friendly federated learning research on time-budgeted client selection in heterogeneous cloud-edge sensing, featuring reproducible benchmarks and parallel agent-driven optimization.

Resources

Contributing

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages