Apr, 2024

pfl-research：用于加速私有联邦学习研究的仿真框架

PDF
TL;DRFederated learning 是一种新兴的机器学习训练范例，其通过在模拟环境中迭代实验来快速提出想法，pfl-research 是一个快速、模块化、易于使用的 Python 框架，支持 TensorFlow、PyTorch 和非神经网络模型，并与最先进的隐私算法紧密结合，研究表明它比其他开源框架快 7-72 倍，大大提高了 FL 研究社区的生产效率，同时使先前的资源密集型任务成为可能。
federated learningmachine learningsimulation environmentpfl-researchprivacy algorithms
发现论文，激发创造
  • PFLlib：个性化联邦学习算法库

    该研究提出了 PFLlib，这是一个综合的个性化联邦学习算法库，包含 34 种最先进的联邦学习算法和多个评估环境，目前已经在 GitHub 上获得了 850 个星和 199 个分支。

    Dec, 2023

  • FL_PyTorch：联邦学习优化研究模拟器

    FL_PyTorch 是一个基于 PyTorch 框架的开源软件套件，用于构建一种 FL 研究模拟器，旨在使研究人员能够快速开发、原型测试和实验新的和现有的 FL 优化算法，从而缓解常见边缘设备设置的异质性问题。

    Feb, 2022

  • 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

  • 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

  • NVIDIA FLARE: 从模拟到现实世界的联合学习

    NVIDIA FLARE 是一个开源软件开发工具包，使得数据科学家可以更容易地在其研究和实际应用中使用联邦学习，可以应用不同的隐私保护算法进行多方协作。

    Oct, 2022

  • 走向个性化联邦学习

    本综述论文研究了个性化联邦学习（PFL）的领域，着重解决异构数据带来的基本问题，通过分类和分析 PFL 技术，提出其关键挑战和机会，并展望了未来研究的发展方向。

    Mar, 2021

  • 个性化先验隐藏信息联邦学习

    本文介绍了一个名为 pFedBreD 的基于贝叶斯学习方法的个性化联合学习框架，该框架针对异构数据问题进行建模，并应用 Bregman 散度约束来解决该问题。实验结果表明，在高斯先验和均值选择的一阶策略的前提下，pFedBreD 显著优于其他个性化联合学习算法。

    Nov, 2022

  • 具有域自适应的私有联邦学习

    本文提出了一种基于联邦学习的机器学习分布式范例，可以在保护隐私的前提下进行多方联合重新训练共享模型，并通过用户级领域自适应来提高模型精度，实验结果表明在为 FL 模型强制实施差分隐私界限时，该技术可以更大程度地提升模型的准确性。

    Dec, 2019

  • 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

  • 个性化联邦学习基于堆叠

    使用堆叠泛化的新型个性化方法，在保护隐私的情况下，直接发送模型来训练元模型，并在水平、混合和垂直分区联邦中适用各种模型类型和隐私保护技术，从而创建更适合个体客户数据的多个模型，并通过多方面评估每位客户对联邦的贡献。

    Apr, 2024