openfl 1.6

开源联邦学习（OpenFL）是一个Python 3框架，用于联邦学习。OpenFL旨在成为一个灵活、可扩展且易于学习的工具，适用于数据科学家。OpenFL由Linux基金会托管，旨在由社区驱动，并欢迎向项目贡献。

在寻找称为OpenFL的Open Flash Library项目吗？在这里找到它！

安装

您可以从PyPI简单安装OpenFL。

$ pip install openfl

有关更多安装选项，请参阅在线文档。

入门

OpenFL允许数据科学家遵循以下工作流程之一设置联邦学习实验：

• 基于导演的工作流程：设置长期组件以串行运行多个实验。当预期模型、数据加载器或超参数将进行许多更改时，建议用于FL研究。

• 基于聚合器的工作流程：定义一个实验并手动分发。所有参与者可以在执行前验证模型代码和FL计划。实验完成后，终止联盟。

• 工作流程接口 (实验性的)：创建超出传统水平联邦学习的复杂实验。查看实验教程，了解如何协调聚合器验证，在合作模型训练后进行全局差分隐私联邦学习执行全局差分隐私联邦学习，使用隐私计分器测量模型中嵌入的私有信息量，或在联邦模型中添加水印添加水印。

测试OpenFL的最快方法是遵循我们的教程。
阅读博客文章，了解使用OpenFL训练模型的过程。
查看在线文档以启动您的第一个联盟。

需求

• Ubuntu Linux 18.04+
• Python 3.7+（建议与Virtualenv一起使用）。

OpenFL支持使用TensorFlow 2+或PyTorch 1.3+进行训练，这些应单独安装。如果需要，用户可以扩展支持的深度学习框架列表。

项目概述

什么是联邦学习

联邦学习是一种分布式机器学习方法，允许在不共享敏感数据的情况下合作进行机器学习项目，例如，患者记录、财务数据或机密信息。联盟中需要移动的最小数据仅限于模型参数及其更新。

背景

OpenFL建立在英特尔与宾夕法尼亚大学（UPenn）Bakas实验室之间的一项合作基础上，以开发联邦肿瘤分割（FeTS，www.fets.ai）平台（资助授予编号：U01-CA242871）。

FeTS的资助来自美国国立卫生研究院（NIH）国立癌症研究所（NCI）的癌症研究信息学技术（ITCR）计划，当时Spyridon Bakas博士（主要研究员）是UPenn的生物医学图像计算与分析中心（CBICA）的成员，现在领导着印第安纳大学（IU）的计算病理学分部。

FeTS是一个具有国际合作伙伴的现实世界医疗联邦学习平台。原始OpenFederatedLearning项目和OpenFL旨在作为FeTS平台的后端，OpenFL的开发人员和研究人员继续与IU在FeTS项目上进行紧密合作。一个例子是FeTS-AI/Front-End，该产品将团队的医疗AI专业知识与OpenFL框架相结合，为医学成像创建联邦学习解决方案。

虽然最初是为医疗影像应用而开发的，但OpenFL旨在对所有用例、行业和机器学习框架保持无偏见。

更多详细信息请参阅以下文章

• 帕蒂S等，2022
• 雷纳A等，2021
• 谢勒MJ等，2020
• 谢勒MJ等，2019
• 杨Y等，2019
• 麦克马汉HB等，2016

支持的聚合算法

支持

请于2022年12月1日和2日加入我们每月两次的社区会议！
与OpenFL背后的团队成员见面。
我们将讨论我们的路线图，开放问答，并欢迎分享想法。

日历和社区电话链接请在此处这里

订阅OpenFL邮件列表openfl-announce@lists.lfaidata.foundation

那里见！

我们始终欢迎通过以下方式提问、提交问题报告和建议：

• GitHub问题
• Slack工作区

许可证

本项目采用Apache License Version 2.0授权。通过向项目贡献，您同意其中的许可和版权条款，并在此条款下发布您的贡献。

引用

@article{openfl_citation,
	author={Foley, Patrick and Sheller, Micah J and Edwards, Brandon and Pati, Sarthak and Riviera, Walter and Sharma, Mansi and Moorthy, Prakash Narayana and Wang, Shi-han and Martin, Jason and Mirhaji, Parsa and Shah, Prashant and Bakas, Spyridon},
	title={OpenFL: the open federated learning library},
	journal={Physics in Medicine \& Biology},
	url={http://iopscience.iop.org/article/10.1088/1361-6560/ac97d9},
	year={2022},
	doi={10.1088/1361-6560/ac97d9},
	publisher={IOP Publishing}
}