Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

Deeper guide: FL algorithms, FL setups, and worked sketches beyond MNIST

Đang mở
  • Có gì không ổn?
#240 0 bình luận 0 reaction 0 người được giao Xem trên GitHub

Maintainer thường phản hồi trong vòng 1 ngày

Chưa có ai nhận issue này.

Đánh giá

Độ khó
5/5
Thời gian dự kiến
Hơn một tuần
Mức phù hợp với người mới
48/100
Loại issue
Tài liệu
Độ rõ ràng
Đặc tả rõ ràng
Mức độ hoạt động
Sôi nổi
Công nghệ
python
Lĩnh vực
documentation

Hướng nghiên cứu

Start with Documentation/public/what-can-be-trained.md and services.md, then inspect client.py and aggregator.py to map the listed algorithms and FL setups to the train → audit → aggregate loop. Keep tested behavior distinct from untested sketches, and cover evaluation beyond MNIST. Done when the companion page is linked from both existing pages and gives model owners the requested service map and two non-MNIST sketches.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

documentation good first issue

Related: issue No. 157, PR No. 189, P3-DOC1, P3-DOC4

Why this would help

Issue No. 157 produced Documentation/public/what-can-be-trained.md, merged in PR No. 189. That page deliberately stays short and separates what has been tested from what is only possible. The proposed outline on issue No. 157 also had deeper sections that weren't shipped. A model owner who already knows FL can't yet see how a particular algorithm or FL setup maps onto DIN's train → audit → aggregate loop, or what a non-MNIST task would look like in practice.

Suggested next step

Write a companion page for readers who want more detail, linked from what-can-be-trained.md and services.md. Keep the tested-vs-possible labeling the current page uses, and cover:

  • FL algorithms: how FedAvg, FedProx, FedOpt (FedAdam/FedYogi/FedAdagrad), SCAFFOLD, FedNova and q-FFL fit the GI loop, and which service file each one touches (client.py, aggregator.py). Also how Byzantine-robust aggregators (Krum, trimmed mean, coordinate-wise median) sit alongside auditor scoring.
  • FL setups: horizontal (the default), vertical (entity alignment, split-model services), heterogeneity-aware (HeteroFL/FjORD-style sub-models), personalized, and federated transfer learning. For each, what changes in the services.
  • Worked sketches, each clearly labeled as untested:
    • a FedLoRA/FedQLoRA LLM fine-tune where only adapter weights move through IPFS
    • a tabular regression model with its own scoring function
  • How results are evaluated beyond MNIST: choosing a held-out test set and a scoring function that fits the task, and how that relates to auditor/BlockFLow scoring.

Expected outcome

A model owner can see which service changes their algorithm or FL setup needs, and has at least two non-MNIST sketches to start from. Nothing untested is presented as supported.

Turning any of these sketches into a tested reference implementation is a separate task.

Ngôn ngữ chính
Python
Star
4
Fork
7
Merge trung bình
3 ngày 4 giờ
Pull request đã merge (30 ngày)
34

Chuẩn bị môi trường

Dự án này không cung cấp dev container, Dockerfile hay hướng dẫn đóng góp, nên bạn cần tự thiết lập môi trường: hãy bắt đầu từ README và xem hướng dẫn đóng góp lần đầu của chúng tôi để biết các bước chung.

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của InfiniteZeroFoundation/DevNet

Tất cả issue của InfiniteZeroFoundation/DevNet

Issue tương tự

Thêm issue về Python

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.