<p>Analysis of server-side component synergy (CIFAR-10, 100 clients).</p>

NIAID Data Ecosystem2026-05-10 收录

数据链接：

https://figshare.com/articles/dataset/_p_Analysis_of_server-side_component_synergy_CIFAR-10_100_clients_p_/30981600 数据链接链接失效反馈

官方服务：

资源简介：

Analysis of server-side component synergy (CIFAR-10, 100 clients).

创建时间：

2025-12-31

FedAIoT

物联网人工智能

联邦学习

FedAIoT是一个专为物联网人工智能（AIoT）设计的联邦学习（FL）基准，包含从多种真实IoT设备收集的八个高质量数据集。这些数据集涵盖了独特的IoT数据模式，如无线数据、无人机图像和智能家居传感器数据，旨在解决AIoT中的代表性应用问题。FedAIoT还提供了一个统一的端到端FL框架，简化了数据集性能的基准测试过程，并针对IoT设备的资源限制进行了优化。

arXiv2023-09-30 更新2940

FedAudio

联邦学习

音频处理

FedAudio是由南加州大学电气与计算机工程系开发的一个联邦学习音频任务基准。该数据集包含四个代表性的音频数据集，涵盖关键词识别、语音情感识别和声音事件分类三个重要任务。FedAudio特别引入了数据噪声和标签错误，以模拟真实世界中部署联邦学习系统时的挑战。此数据集不仅包括基准测试结果，还提供了一个PyTorch库，旨在帮助研究人员公平比较他们的算法。FedAudio有望成为音频任务的参考联邦学

arXiv2023-02-09 更新620

FeDa4Fair

联邦学习

数据公平性

FeDa4Fair是一个用于生成表格数据集的库，专门用于在异构客户端偏差下评估公平的联邦学习（FL）方法。该库的目标是解决FL中公平性的挑战，其中客户端之间存在着不同的数据偏差，导致模型对不同客户端的公平性不同。FeDa4Fair支持在客户端级别进行公平性评估，以解决现有FL方法在单一敏感属性上的局限性。FeDa4Fair基于美国社区调查的公共使用微观数据样本（ACS PUMS）和Ding等人提出

arXiv2025-06-26 更新330

apple/flair

联邦学习

图像分类

FLAIR是一个包含约430,000张图像的大型标注图像数据集，用于在联邦学习中进行基准测试。该数据集来自51,000名Flickr用户，旨在更好地反映实际中的联邦学习问题。图像由人工标注，并从超过1,600个细粒度标签的分类法中分配标签。数据集包括细粒度和粗粒度标签，支持不同复杂度的机器学习任务。数据集按用户ID分为8:1:1的训练、验证和测试集，每个集合的用户和图像数量明确。此外，数据集结构详

Hugging Face2024-05-27 更新770

Physical Activity Recognition Dataset

活动识别

联邦学习

The dataset contains information from the Accelerometer sensor of smartphones. Twelve volunteers participated in the experiment and they were grouped into different four groups(three participants for

DataCite Commons2021-06-21 更新350

<p>Analysis of server-side component synergy (CIFAR-10, 100 clients).</p>

资源简介：

相关数据集