APPFL：用于隐私保护联邦学习的开源软件框架
机器学习
2022-03-16 v2
摘要
联邦学习（FL）支持在不同站点训练模型，并通过训练更新权重，而非像经典机器学习那样将数据集中传输至中心位置训练。FL 能力对生物医学和智能电网等领域尤为重要，因政策挑战，数据可能无法自由共享或存于中心位置。得益于从去中心化数据集学习的能力，FL 现已成为快速增长的研究领域，众多 FL 框架已被开发。本工作中，我们介绍 APPFL，即阿贡隐私保护联邦学习框架。APPFL 允许用户利用已实现的隐私保护算法、实现新算法，并模拟和部署带有隐私保护技术的各类 FL 算法。该模块化框架使用户可定制算法、隐私、通信协议、神经网络模型及用户数据的组件。我们还提出一种基于不精确交替方向乘子法的通信高效新算法。该算法较当前最优方法显著减少了服务器与客户端间的通信。我们通过在不同计算环境下使用多种算法与数据集，展示了 APPFL 的计算能力，包括各类测试集上的差分隐私 FL 及其可扩展性。
引用
@article{arxiv.2202.03672,
title = {APPFL: Open-Source Software Framework for Privacy-Preserving Federated Learning},
author = {Minseok Ryu and Youngdae Kim and Kibaek Kim and Ravi K. Madduri},
journal= {arXiv preprint arXiv:2202.03672},
year = {2022}
}
备注
9 pages, 4 figures, 1 table