FederatedScope：一种面向异构性的灵活联邦学习平台
机器学习
2022-11-16 v5
摘要
尽管现有联邦学习（FL）平台在为开发提供基础设施方面已取得显著进展，但这些平台可能未能很好地应对各类异构性带来的挑战，包括参与者本地数据、资源、行为与学习目标的异构性。为弥补这一不足，本文提出一种名为 FederatedScope 的新型 FL 平台，其采用事件驱动架构，为用户提供极大灵活性以独立描述不同参与者的行为。这样的设计使用户易于描述具有不同本地训练过程、学习目标和后端的参与者，并以同步或异步训练策略将其协调为一次 FL 过程。为打造易用且灵活的平台，FederatedScope 支持丰富的插件操作与组件以实现高效进一步开发，并已实现若干重要组件以更好地协助用户进行隐私保护、攻击模拟与自动调优。我们已在 https://github.com/alibaba/FederatedScope 发布 FederatedScope，以促进联邦学习在广泛场景中的学术研究与应用部署。
引用
@article{arxiv.2204.05011,
title = {FederatedScope: A Flexible Federated Learning Platform for Heterogeneity},
author = {Yuexiang Xie and Zhen Wang and Dawei Gao and Daoyuan Chen and Liuyi Yao and Weirui Kuang and Yaliang Li and Bolin Ding and Jingren Zhou},
journal= {arXiv preprint arXiv:2204.05011},
year = {2022}
}
备注
We have released FederatedScope for users on https://github.com/alibaba/FederatedScope