MMFeb, 2024

FedKit: 为 Android 和 iOS 实现跨平台联邦学习

PDF
TL;DRFedKit 是一个适用于 Android 和 iOS 设备上的跨平台联邦学习系统，通过模型转换、硬件加速训练和跨平台模型聚合来提供跨平台 FL 开发。我们的 FL 工作流支持在生产中的灵活机器学习操作（MLOps），促进持续模型交付和训练。我们在大学校园中的健康数据分析真实用例中部署了 FedKit，并展示了其有效性。FedKit 是开源的，网址在此 https URL。
发现论文，激发创造
  • 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

  • FedML：联邦机器学习研究库与基准

    介绍了一个开放的研究库和基准，名为 FedML，旨在促进联邦学习算法的开发和公平性能比较，支持三种计算范例，并带有灵活和通用的 API 设计和全面的参考实现。

    Jul, 2020

  • EasyFL: 低代码联邦学习平台

    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。

    May, 2021

  • FedScale：大规模联邦学习模型和系统性能基准测试

    介绍了 FedScale，一种联邦学习测试套件，具有现实数据集和可扩展运行时，旨在支持可重复制的联邦学习研究，可以进行系统性测试以提高异构感知的联合优化能力。

    May, 2021

  • 使用 Flower 实现本地联邦学习

    本论文探讨了利用 Flower 框架在各种智能手机和嵌入式设备上进行设备内联合学习的系统成本，并讨论了如何利用此定量数据来设计更有效的联邦学习算法。

    Apr, 2021

  • 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

  • 适应适应性：跨数据源联邦学习个性化学习

    本文提出了 APPLE，这是一个个性化的跨平台联邦学习框架，在不均匀的数据集上实现了最先进的性能表现，并灵活控制了全局和本地目标的焦点。

    Oct, 2021

  • 联邦学习的进展和开放问题

    本文讨论联邦学习的最新进展和挑战，并提出了一系列开放性问题和挑战。

    Dec, 2019

  • 联邦学习：机遇与挑战

    介绍谷歌于 2016 年首次提出的联邦学习，多个设备在中央服务器的监督下协作学习机器学习模型，可保证本地数据的隐私性和安全性，同时存在攻击风险，就此探讨了联邦学习的机会和挑战所在。

    Jan, 2021

  • FedTrans: 异质客户端之间的高效联合学习通过模型转换

    FedTrans 是一个多模型联邦学习训练框架，可以自动为大规模异构客户端生成和训练高准确性、硬件兼容的模型，显著提高了个体客户端模型的准确性并降低了训练成本。

    Apr, 2024