May, 2021

EasyFL: 低代码联邦学习平台

PDF
TL;DR本文介绍了一种名为 EasyFL 的低代码平台，可用于支持联邦学习方法。该平台不仅易于使用，而且具有模块化设计和简单的 API，可用于加速实验和部署。EasyFL 提供了多个功能，如模拟、全面跟踪、分布式培训优化和无缝部署，从而使联邦学习方法被更广泛地使用，并帮助提高研究人员的生产力。
federated learninglow-code platformapi designmodular designdistributed training
发现论文，激发创造
  • EdgeFL：一种轻量级分布式联邦学习框架

    EdgeFL 是一种去中心化、轻量化的边缘 FL 框架，通过采用边缘模型训练和聚合方法来克服集中式聚合和 FL 部署可扩展性的限制，提供了更好的性能、更新延迟和分类准确性。

    Sep, 2023

  • 佛罗里达计划：简化联邦学习

    通过提供云托管基础设施和任务管理接口，以及支持大多数主流编程语言（包括 C++、Java 和 Python）的多平台 SDK，Project Florida 旨在简化跨设备的联邦学习解决方案的部署任务。它使得服务管理与联邦学习工作流程解耦，可以向机器学习工程师和应用开发者提供联邦学习即服务（FLaaS）的云服务。

    Jul, 2023

  • 开放式联邦学习框架 OpenFL

    Open Federated Learning 是一种开源的数据私有协作学习框架，可用于训练 TensorFlow 和 PyTorch 中的机器学习算法，促进其在生产环境中的应用，同时也用于卫生组织中国际共识机器学习模型的培训。

    May, 2021

  • LIFL：一款轻量级、事件驱动的联邦学习无服务器平台

    LIFL 是一种轻量级和弹性的无服务器云平台，通过精细的资源管理实现规模化的 FL 聚合，它通过流线型事件驱动的无服务器设计，以及使用轻量级的 eBPF 代理替代容器化的边车来提高效率，并利用共享内存处理实现高性能通信，进一步引入了 LIFL 中的位局感知布局以最大化共享内存处理的效益，LIFL 通过精确地规模化和资源复用来实现最高程度的并行性，同时将聚合时间和资源消耗最小化。

    May, 2024

  • FLGo：一个可完全定制的联邦学习平台

    这篇论文提出了一个轻量级的 FL 平台 FLGo，它包含了 40 多个基准测试、20 多种算法和 2 个系统模拟器等 out-of-the-box 插件，同时提供了用户友好型 API，使用户能够快速自定义新插件，从而提高再现性。

    Jun, 2023

  • 自然语言处理的安全高效联邦学习框架

    本文介绍了一种名为 SEFL 的安全高效联邦学习框架，它消除了训练所需的可信实体，提高了模型准确性，又能适应客户端退出等问题。通过 NLP 任务的实验研究表明，SEFL 与现有的 FL 方案具有可比性，且提出的剪枝技术可以提高运行时性能高达 13.7 倍。

    Jan, 2022

  • 联邦学习的进展：模型、方法和隐私

    本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

    Feb, 2023

  • 木瓜：实用、隐私和可扩展的联邦学习

    本文介绍了一种适用于千万级用户设备的异步跨设备联邦学习 (asynchronous Cross-device Federated Learning) 系统，该系统可用于分布式学习，解决了大规模训练中同步传输的效率问题，异步方式比同步方式在高并发环境下训练速度快 5 倍，通信开销少 8 倍。

    Nov, 2021

  • 关于分散式联邦学习的调查

    去中心化联邦学习解决方案的综述，包括现有的方法和未来的研究方向。

    Aug, 2023

  • Flower：一个友好的联邦学习研究框架

    介绍了一种名为 Flower 的综合性联合学习框架，可以执行大规模的联合学习实验，并考虑丰富的异构 FL 设备方案。

    Jul, 2020