MindSpore Federated 文档

MindSpore Federated是一款开源联邦学习框架，支持面向千万级无状态终端设备的商用化部署，可在用户数据不出本地的前提下，使能全场景智能应用。

联邦学习是一种加密的分布式机器学习技术，其支持机器学习的各参与方在不直接共享本地数据的前提下，共建AI模型。MindSpore Federated目前优先专注于参与方数量规模较大的横向联邦学习应用场景。

使用MindSpore Federated框架的优势

  1. 隐私安全

    支持参与方数据留存本地进行协同训练，不交换数据本身，而是用加密方式交换更新的模型参数。

    支持基于多方安全计算（MPC）的精度无损的安全聚合方案，防止模型窃取。

    支持基于本地差分隐私的性能无损的加密方案，防止模型泄漏隐私数据。

  2. 分布式联邦聚合

    云侧松耦合集群化处理方式，支持千万级数量的大规模异构终端部署场景，实现高性能、高可用的分布式联邦聚合计算，可应对网络不稳定，负载突变等问题。

  3. 联邦效率提升

    支持同步和异步的联邦模式，支持多种模型压缩算法，提高联邦学习效率，节省带宽资源。

    支持多种联邦聚合策略，提高联邦收敛的平滑度，兼顾全局和局部的精度最优化。

  4. 灵活易用

    仅一行代码即可切换单机训练与联邦学习模式。

    网络模型可编程，聚合算法可编程，安全算法可编程，安全等级可定制。

使用MindSpore Federated的工作流程

  1. 场景识别、积累数据

    识别出可使用联邦学习的业务场景，在客户端为联邦任务积累本地数据。

  2. 模型选择、客户端部署

    进行模型原型的选型或开发，并使用工具生成方便部署的端侧模型。

  3. 应用部署

    将Federated-Client部署到端侧应用中，并在云侧设置联邦配置任务和部署脚本。

常见应用场景

  1. 图像分类

    使用联邦学习实现图像分类应用。

  2. 文本分类

    使用联邦学习实现文本分类应用。

安装部署

应用实践

安全和隐私

通信压缩

API参考

参考文档