©PaperWeekly 原创 · 作者 | 张剑清
单元 | 上海交通大学、清华大学（AIR）
研究方向 | 联邦学习
我们在 GitHub 上开源了一个个性化联邦学习算法堆栈（PFLlib），目前已经获得 1K+ 个 Star 和 200+ 个 Fork，在业内收到了广泛的好评。PFLlib 席卷了 34 个联邦学习算法（其中包罗 27 个个性化联邦学习算法）、3 大类数据异质场景、20 个数据集。
开源该堆栈的主要目标是：1）降低初学者研究个性化联邦学习算法的门槛；2）提供一个同一的实验环境，在多种场景和多个方面对不同个性化联邦学习算法进行评估，为个性化联邦学习算法在具体场景中应用时的选择提供参考；3）为个性化联邦学习算法的研究者们提供一个可以交换的平台，在交换的过程中相互学习，碰撞出新的火花。
▲ GitHub Star 的增长曲线
论文标题：
PFLlib: Personalized Federated Learning Algorithm Library
论文链接：
https://arxiv.org/abs/2312.04992
代码链接：
https://github.com/TsingZ0/PFLlib
个性化联邦学习（PFL）
联邦学习（FL）作为一种新型的分布式机器学习范式，它主要用于练习人工智能（AI）模子。除了传统分布式机器学习的跨设备协同练习 AI 模子的特点之外，联邦学习的特殊性主要体现在掩护每个设备上数据隐私的能力。
联邦学习实现隐私掩护的主要方式是：禁止具有隐私性的数据脱离产生该数据的设备。这种限制使得这些设备上的本地数据无法通过传统分布式机器学习中的数据收罗、数据清洗、数据分片等操作，来实现每个设备上数据的一致性。
由于不同设备所处环境的不同，使得它们各自产生数据、收罗数据、处理数据的方式不尽类似。于是，便产生了各个设备之间的数据异质标题，如图 1。在异质的数据上学习得到的本地模子，通过服务器进行了模子参数聚合后天生的全局模子会有体现不佳等标题。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 | 
