FedModule: 一种模块化联邦学习框架

联邦学习 (FL) 已被广泛应用于各种应用，例如医疗保健、金融和智慧城市。然而，随着实验场景变得越来越复杂，现有的 FL 框架和基准测试已难以跟上步伐。本文介绍了 FedModule，一个灵活且可扩展的 FL 实验框架，该框架已开源以支持多样化的 FL 范式并为复杂的实验场景提供全面的基准测试。FedModule 遵循“一套代码，所有场景”的原则，并采用模块化设计，将 FL 过程分解为各个组件，从而允许无缝集成不同的 FL 范式。该框架支持同步、异步和个性化联邦学习，实现了 20 多种算法。在公共数据集上进行的实验证明了 FedModule 的灵活性和可扩展性。该框架提供多种执行模式——包括线性、线程、进程和分布式——使用户能够根据各种实验需求定制其设置。此外，FedModule 提供广泛的日志记录和测试功能，有助于对 FL 算法进行详细的性能分析。与现有 FL 工具包（如 TensorFlow Federated、PySyft、Flower 和 FLGo）的比较评估突显了 FedModule 卓越的可扩展性、灵活性和全面的基准测试支持。通过解决当前 FL 框架的局限性，FedModule 标志着 FL 实验的重大进步，为研究人员和从业者提供了一个强大的工具，用于在广泛场景中开发和评估 FL 算法。