NVIDIA FLARE: Federated Learning from Simulation to Real-World

要約

Federated Learning（FL）は、データを一元化することなく、複数の共同研究者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モデルの構築を可能にします。私たちは、データサイエンティストが研究や実世界のアプリケーションでFLを簡単に使用できるように、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。このSDKには、最先端のFLアルゴリズムと連合型機械学習アプローチのためのソリューションが含まれており、企業間での分散学習のためのワークフロー構築を容易にし、プラットフォーム開発者が、同形暗号または差分プライバシー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した提供を作成できるようにしています。このSDKは、軽量、柔軟、スケーラブルなPythonパッケージで、研究者は任意の学習ライブラリ（PyTorch、TensorFlow、XGBoost、あるいはNumPy）で実装したデータサイエンスワークフローを持ち込み、実際のFL設定に適用することが可能です。本論文では、FLAREの主要な設計原理を紹介し、異なるプライバシー保護アルゴリズムを実装したカスタマイズ可能なFLワークフローによるいくつかのユースケース（例えば、COVID分析）を説明する。 コードは https://github.com/NVIDIA/NVFlare で公開されています。

要約(オリジナル)

Federated learning (FL) enables the building of 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, DeepL