CICIoT - report3

kaggle2026-04-29 更新2026-06-17 收录

物联网安全联邦学习

非独立同分布数据

数据链接：

https://www.kaggle.com/datasets/gnouht23/ciciot-report3 数据链接链接失效反馈

官方服务：

资源简介：

Dataset phân tán Non-IID cho Federated Learning với 10 clients, chứa dữ liệu ne

面向联邦学习（Federated Learning）的非独立同分布分布式数据集，包含10个客户端，包含相关数据

创建时间：

2026-04-29

ProFed

联邦学习

非独立同分布数据

ProFed是一个针对 proximity-based 非独立同分布（non-IID）联邦学习的新型基准测试。该数据集由博洛尼亚大学Cesena创建，旨在通过模拟不同区域的数据分布偏差，为研究人员提供标准化的框架，以更有效和一致地评估联邦学习算法。ProFed利用了知名的计算机视觉数据集，如MNIST、FashionMNIST、CIFAR-10和CIFAR-100，并采用了文献中的数据划分方法，如

arXiv2025-03-26 更新860

Continental Splitted Non-IID Image Classification Dataset

跨大陆图像分类

非独立同分布数据

A non-IID dataset with images from Flickr and labels from Open Image Dataset. The dataset is split into parts from three continents, North America, Europe, and Asia, between which the data turned out

NIAID Data Ecosystem40

Federated SVHN (i.i.d.) and CIFAR-10 (i.i.d. and non-i.i.d.)

联邦学习图像分类

非独立同分布数据

Custom federated versions of SVHN and CIFAR-10 datasets used for the experiments in: Federated Learning With Individualized Privacy Through Client SamplingPlease cite this paper as reference.Further d

Zenodo2025-01-29 更新00

non-iid-dataset-for-personalized-federated-learning

联邦学习

非独立同分布数据

该数据集用于个性化联邦学习，支持在非独立同分布数据集上进行高效的通信。数据集基于mnist和cifar10，通过特定的参数配置如客户端数量、每客户端的图像类别数、每类别的样本数以及非平衡率来生成非独立同分布的数据集。

github2024-04-02 更新420

Data and Results for: When Forgetting Fails: Characterizing Class Unlearning Failure Modes in Non-IID Decentralized Federated Learning

联邦遗忘学习

非独立同分布数据

Experimental results, model weights, and training logs for the paper "When Forgetting Fails: Characterizing Class Unlearning Failure Modes in Non-IID Decentralized Federated Learning". Contains result

Zenodo2026-06-10 更新00

CICIoT - report3

资源简介：

相关数据集