securefederatedai/openfederatedlearning

解決的問題

開放式聯邦學習提供了一種讓多個組織在不共享敏感原始資料的情況下，共同訓練與驗證機器學習模型的方法。這消除了將個人敏感資訊（如醫療紀錄或金融資料）移動至中央伺服器的需求，從而降低隱私風險與資料傳輸成本。

工作原理

該框架採用分散式方法，而非集中式學習，僅在中央聚合器與本地協作方之間交換模型參數與更新。它與後端無關，支援 PyTorch、TensorFlow 和 Jax 等框架。使用者可透過 TaskRunner API（支援安全通訊，包含 mTLS 與 TEE）或 Workflow API（用於模擬與擴展實驗）來設定實驗。

適用對象

專為在不同地點處理敏感資料的研究人員與組織設計，尤其適用於醫學影像領域（例如 FeTS 平台），但設計上與特定產業或使用情境無關。

核心亮點

• 後端無關：支援 PyTorch、TensorFlow 與 Jax。
• 隱私保護：確保原始資料始終留在本地環境。
• 多種聚合演算法：內建 FedAvg、FedOpt、FedProx 與 FedCurv 支援。
• 安全通訊：支援基於 mTLS 的通訊通道與可信執行環境。