flower: 一个用于构建和扩展联邦 AI 的框架无关系统

它解决了什么问题

Flower 简化了构建联邦 AI 系统的过程，允许开发者在多个去中心化的设备或服务器上训练机器学习模型，而无需将原始数据移动到中心位置。

工作原理

Flower 提供了一个作为联邦学习编排层的框架。它被设计为与框架无关，这意味着它可以与任何 ML 库集成——例如 PyTorch、TensorFlow、JAX、Hugging Face 或 scikit-learn——并且可以扩展以支持自定义策略和用于分发模型训练的通信模式。

适用人群

它专为需要构建可扩展、可定制的联邦学习系统的 AI 研究人员和工程师设计，同时也适用于希望在边缘设备（如 Android、iOS 或 Raspberry Pi）上实现隐私保护 AI 的开发者。

亮点

• 框架无关：几乎可以与任何 ML 库配合工作，包括 PyTorch、TensorFlow、Hugging Face，甚至 NumPy。
• 高度可定制：允许用户覆盖组件以创建新的最先进的联邦系统。
• 广泛的设备支持：包括移动平台（Android/TFLite、iOS/CoreML）和嵌入式设备（Raspberry Pi、Nvidia Jetson）的快速入门指南。
• 研究就绪：包含 "Flower Baselines"，这是一系列由社区贡献的流行联邦学习论文复现集合。