apple/pfl-research

What it solves

이것은 연구자들이 프라이빗 연합 학습(PFL) 실험을 시뮬레이션할 수 있는 표준화된 프레임워크를 제공합니다. 과학자들이 여러 딥러닝 프레임워크를 지원하는 통합 시스템을 사용하여 가설을 테스트하고 벤치마크를 실행할 수 있게 함으로써 이론적 연구와 실제 배포 사이의 간극을 메워줍니다.

How it works

이 프레임워크는 모델이 분산된 데이터에 걸쳐 학습되는 연합 학습 환경의 시뮬레이션을 가능하게 합니다. 프로세스, GPU, 머신 등 여러 수준의 분산 학습을 지원하며, 로컬 및 중앙 차분 프라이버시(differential privacy) 메커니즘을 통합합니다. 연구자들이 신경망(PyTorch, TensorFlow, MLX를 통해) 및 그래디언트 부스팅 결정 트리(GBDTs)를 포함한 다양한 모델 유형을 전환할 수 있도록 유설하게 설계되었습니다.

Who it’s for

프라이버시 보존 머신러닝 및 연합 학습 알고리즘에 집중하는 AI 연구자 및 엔지니어.

Highlights

• Multi-framework support: PyTorch, TensorFlow, MLX와 호환됩니다.
• Privacy integration: 로컬 및 중앙 차분 프라이버시를 기본적으로 지원합니다.
• CONFIGURABLE simulations: 대규모 실험을 위해 여러 GPU와 머신을 활용할 수 있는 확장 가능한 시뮬레이션.
• Unified benchmarks: 새로운 가설 테스트를 간소화하기 위해 검증된 데이터셋과 모델 조합을 제공합니다.