apple/pfl-research

它解决了什么问题

它为研究人员提供了一个标准化的框架，用于模拟私有联邦学习（PFL）实验。通过允许科学家使用统一的系统测试假设并运行基准测试，该框架弥合了理论研究与实际部署之间的差距，支持多种深度学习框架。

它如何工作

该框架能够模拟在分布式数据上训练模型的联邦学习环境。它支持多个级别的分布式训练（进程、GPU 和机器），并集成了保护隐私的机制，特别是本地差分隐私和中心差分隐私。该框架设计灵活，允许研究人员在不同模型类型之间切换，包括通过 PyTorch、TensorFlow 和 MLX 实现的神经网络，以及梯度提升决策树（GBDT）。

适用于谁

专注于隐私保护机器学习和联邦学习算法的人工智能研究人员和工程师。

主要特点

• 多框架支持：兼容 PyTorch、TensorFlow 和 MLX。
• 隐私集成：内置对本地差分隐私和中心差分隐私的支持。
• 可配置的模拟：可扩展的模拟，可利用多个 GPU 和机器进行大规模实验。
• 统一的基准测试：提供经过验证的数据集和模型组合，以简化新假设的测试。