OpenFed: A Comprehensive and Versatile Open-Source Federated Learning Framework

要約

【タイトル】OpenFed：包括的で多目的なオープンソースのフェデレーテッド・ラーニング・フレームワーク

【要約】

– AIの発展により、商業や産業など幅広い分野に適用が可能になったが、そのためには大量のデータを中央集権的に集約する必要があるため、データが機密性が高い場合やデータ送信コストが高い場合には適用が困難である。
– フェデレーテッド・ラーニングは、モデルのトレーニングを分散させることで、データ転送と集約の必要性を排除することで、これらの問題を解消することができる。
– フェデレーテッド・ラーニングの普及を促進するためには、いくつかの重要なオープンな問題を解決するための研究開発が必要である。
– この研究では、End-to-Endフェデレーテッド・ラーニングのためのオープンソース・ソフトウェアフレームワークであるOpenFedを提案する。
– OpenFedは、研究者と下流ユーザーの両方のエントリー障壁を低減することによってフェデレーテッド・ラーニングを促進する。
– 研究者にとって、OpenFedは、新しいメソッドを簡単に実装し、包括的なベンチマークに対して公正に評価できるフレームワークを提供する。
– 下流ユーザーにとって、OpenFedは、フェデレーテッド・ラーニングをプラグイン・プレイできるため、フェデレーテッド・ラーニングの深い専門知識が必要なくなる。

要約(オリジナル)

Recent developments in Artificial Intelligence techniques have enabled their successful application across a spectrum of commercial and industrial settings. However, these techniques require large volumes of data to be aggregated in a centralized manner, forestalling their applicability to scenarios wherein the data is sensitive or the cost of data transmission is prohibitive. Federated Learning alleviates these problems by decentralizing model training, thereby removing the need for data transfer and aggregation. To advance the adoption of Federated Learning, more research and development needs to be conducted to address some important open questions. In this work, we propose OpenFed, an open-source software framework for end-to-end Federated Learning. OpenFed reduces the barrier to entry for both researchers and downstream users of Federated Learning by the targeted removal of existing pain points. For researchers, OpenFed provides a framework wherein new methods can be easily implemented and fairly evaluated against an extensive suite of benchmarks. For downstream users, OpenFed allows Federated Learning to be plugged and play within different subject-matter contexts, removing the need for deep expertise in Federated Learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI