securefederatedai/openfederatedlearning

解决的问题

开放联邦学习提供了一种让多个组织在不共享敏感原始数据的情况下，共同训练和验证机器学习模型的方法。这消除了将个人敏感信息（如医疗记录或金融数据）移动到中央服务器的需要，从而降低了隐私风险和数据传输成本。

工作原理

该框架采用分布式方法，而非集中式学习，仅在中央聚合器与本地协作方之间交换模型参数和更新。它与后端无关，支持 PyTorch、TensorFlow 和 Jax 等框架。用户可通过 TaskRunner API（支持安全通信，包括 mTLS 和 TEE）或 Workflow API（用于模拟和扩展实验）来设置实验。

适用对象

专为在不同地点处理敏感数据的研究人员和组织设计，尤其适用于医学影像领域（例如 FeTS 平台），但设计上与特定行业或使用场景无关。

核心亮点

• 后端无关：支持 PyTorch、TensorFlow 和 Jax。
• 隐私保护：确保原始数据始终留在本地环境。
• 多种聚合算法：内置 FedAvg、FedOpt、FedProx 和 FedCurv 支持。
• 安全通信：支持基于 mTLS 的通信通道和可信执行环境。