OmniFed：一个从边缘到高性能计算的可配置联邦学习模块化框架
机器学习
2025-09-25 v1 人工智能
密码学与安全
分布式、并行与集群计算
摘要
联邦学习（FL）对于数据非集中化且隐私至关重要的边缘计算和高性能计算（HPC）至关重要。我们提出了 OmniFed，一个围绕配置、编排、通信和训练逻辑的解耦与清晰关注点分离而设计的模块化框架。其架构支持配置驱动的原型设计以及代码级别的“按需覆盖”定制。我们还支持不同的拓扑结构、单一部署中的混合通信协议以及流行的训练算法。它还提供可选的隐私机制，包括差分隐私（DP）、同态加密（HE）和安全聚合（SA），以及压缩策略。这些能力通过定义良好的扩展点暴露出来，允许用户定制拓扑和编排、学习逻辑以及隐私/压缩插件，同时保持核心系统的完整性。我们评估了多个模型和算法以测量各种性能指标。通过在一个技术栈中统一拓扑配置、混合协议通信和可插拔模块，OmniFed 简化了跨异构环境的联邦学习部署。GitHub 仓库地址为 https://github.com/at-aaims/OmniFed。
引用
@article{arxiv.2509.19396,
title = {OmniFed: A Modular Framework for Configurable Federated Learning from Edge to HPC},
author = {Sahil Tyagi and Andrei Cozma and Olivera Kotevska and Feiyi Wang},
journal= {arXiv preprint arXiv:2509.19396},
year = {2025}
}