NVIDIA FLARE: Federated Learning from Simulation to Real-World

要約

フェデレーテッド ラーニング (FL) を使用すると、データを一元化することなく、複数の共同作業者からの多様なデータセットを活用することで、堅牢で一般化可能な AI モデルを構築できます。
データ サイエンティストが FLARE を研究や実世界のアプリケーションで簡単に使用できるようにするために、オープンソースのソフトウェア開発キット (SDK) として NVIDIA FLARE を作成しました。
SDK には、最先端の FL アルゴリズムとフェデレーテッド機械学習アプローチのソリューションが含まれています。これにより、企業間での分散学習のためのワークフローの構築が容易になり、プラットフォーム開発者は、準同型暗号化または差分を利用したマルチパーティ コラボレーションのための安全でプライバシーを保護する製品を作成できます。
プライバシー。
SDK は、軽量で柔軟、かつスケーラブルな Python パッケージであり、研究者は任意のトレーニング ライブラリ (PyTorch、TensorFlow、XGBoost、さらには NumPy) に実装されたデータ サイエンス ワークフローを持ち込み、実際の FL 設定に適用できます。
このホワイト ペーパーでは、FLARE の主要な設計原則を紹介し、さまざまなプライバシー保護アルゴリズムを実装するカスタマイズ可能な FL ワークフローを使用したいくつかのユース ケース (COVID 分析など) を示します。
コードは https://github.com/NVIDIA/NVFlare で入手できます。

要約(オリジナル)

Federated learning (FL) enables building robust and generalizable AI models by leveraging diverse datasets from multiple collaborators without centralizing the data. We created NVIDIA FLARE as an open-source software development kit (SDK) to make it easier for data scientists to use FL in their research and real-world applications. The SDK includes solutions for state-of-the-art FL algorithms and federated machine learning approaches, which facilitate building workflows for distributed learning across enterprises and enable platform developers to create a secure, privacy-preserving offering for multiparty collaboration utilizing homomorphic encryption or differential privacy. The SDK is a lightweight, flexible, and scalable Python package, and allows researchers to bring their data science workflows implemented in any training libraries (PyTorch, TensorFlow, XGBoost, or even NumPy) and apply them in real-world FL settings. This paper introduces the key design principles of FLARE and illustrates some use cases (e.g., COVID analysis) with customizable FL workflows that implement different privacy-preserving algorithms. Code is available at https://github.com/NVIDIA/NVFlare.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google