apple/pfl-research

解決的問題

它為研究人員提供了一個標準化的框架，用於模擬私有聯邦學習（PFL）實驗。透過允許科學家使用支援多個深度學習框架的統一系統來測試假設和運行基準，彌補了理論研究與實際部署之間的差距。

工作原理

該框架可模擬在分散資料上訓練模型的聯邦學習環境。它支援多個層級的分散式訓練（進程、GPU 和機器），並整合了保護隱私的機制，特別是本地差分隱私和中央差分隱私。設計上具有高度彈性，允許研究人員切換不同的模型類型，包括透過 PyTorch、TensorFlow 和 MLX 支援的神經網絡，以及梯度提升決策樹（GBDT）。

適用對象

專注於保護隱私的機器學習與聯邦學習演算法的人工智慧研究人員與工程師。

特色

• 多框架支援：相容 PyTorch、TensorFlow 和 MLX。
• 隱私整合：內建支援本地與中央差分隱私。
• 可配置的模擬：可擴展的模擬功能，能利用多個 GPU 和機器進行大型實驗。
• 統一的基準測試：提供經過驗證的資料集與模型組合，以簡化新假設的測試流程。