NVIDIA FLARE：从仿真到现实世界的联邦学习
机器学习
2023-10-24 v3 人工智能
计算机视觉与模式识别
网络与互联网体系结构
软件工程
摘要
联邦学习（FL）通过利用来自多个协作方的多样化数据集而不集中数据，能够构建鲁棒且可泛化的AI模型。我们创建了NVIDIA FLARE作为一个开源软件开发工具包（SDK），以使数据科学家更易于在其研究与现实应用中使用FL。该SDK包含最先进FL算法与联邦机器学习方法的解决方案，有助于构建跨企业的分布式学习工作流，并使平台开发者能够利用同态加密或差分隐私创建用于多方协作的安全、隐私保护产品。该SDK是一个轻量、灵活且可扩展的Python包。它允许研究者在现实FL设置中将数据科学工作流应用于任何训练库（PyTorch、TensorFlow、XGBoost甚至NumPy）。本文介绍了NVFlare的关键设计原则，并借助实现不同隐私保护算法的可定制FL工作流展示了若干用例（例如COVID分析）。代码见 https://github.com/NVIDIA/NVFlare。
引用
@article{arxiv.2210.13291,
title = {NVIDIA FLARE: Federated Learning from Simulation to Real-World},
author = {Holger R. Roth and Yan Cheng and Yuhong Wen and Isaac Yang and Ziyue Xu and Yuan-Ting Hsieh and Kristopher Kersten and Ahmed Harouni and Can Zhao and Kevin Lu and Zhihong Zhang and Wenqi Li and Andriy Myronenko and Dong Yang and Sean Yang and Nicola Rieke and Abood Quraini and Chester Chen and Daguang Xu and Nic Ma and Prerna Dogra and Mona Flores and Andrew Feng},
journal= {arXiv preprint arXiv:2210.13291},
year = {2023}
}
备注
Accepted at the International Workshop on Federated Learning, NeurIPS 2022, New Orleans, USA (https://federated-learning.org/fl-neurips-2022); Revised version v2: added Key Components list, system metrics for homomorphic encryption experiment; Extended v3 for journal submission