访问官网
Github
论文PFLlib项目介绍
项目概览
PFLlib是一个面向个性化联邦学习（pFL）算法的库，专为那些刚刚涉足联邦学习领域的用户设计，具有友好的用户界面和评估平台。此项目旨在通过支持传统联邦学习（tFL）和个性化联邦学习，来推动FL社区的扩展。
个性化与联邦学习
联邦学习（FL）是一种先进的机器学习形式，通过在设备本地训练模型，而不必将数据集中到一个服务器上，从而增强了数据隐私。个性化FL（pFL）则进一步利用数据的统计异构性，为每个用户学习个性化模型。统计异构性是由个性化需求造成的数据差异，比如产生非独立同分布（non-IID）且不平衡的数据。
算法与特色
PFLlib提供了37种传统与个性化联邦学习算法，涵盖了多种场景及数据集。例如：
传统联邦学习（tFL）
- FedAvg：这是一个用于分散数据的深度网络通信高效学习算法。
- SCAFFOLD和FedProx等注重在异构网络环境中的联邦优化。
个性化联邦学习（pFL）
- FedMTL和FedBN利用分布差异进行多任务学习和本地批归一化。
- Per-FedAvg采用模型不可知的元学习方法，提供个性化模型的理论保证。
数据集与场景
PFLlib提供了丰富的数据集来支持各种研究需求，包括MNIST、Cifar10、Fashion-MNIST等，共包含20个数据集。项目支持IID和non-IID场景下的数据集生成，non-IID场景进一步分为病理非独立同分布和实际非独立同分布两种情况。
GPU支持与扩展性
PFLlib支持在NVIDIA GeForce RTX 3090 GPU上运行500个客户端的模拟，仅占用5.08GB的显存。得益于多方面的实现优化，PFLlib允许用户轻松添加新的算法、数据集、模型以及优化器。
实验与评估
PFLlib配备了一套丰富的评价工具来衡量算法的私密性保护能力，如DLG攻击与PSNR指标，也可以在新的客户端上进行性能评估。事实上，在已有的实验中，提供了一些算法的性能结果，比如通过FedALA、FedCP以及GPFL等项目。
应用场景
PFLlib还支持在实际环境中模拟各种富有挑战性的联邦学习情况，如客户端掉线、慢速训练和传输、网络延迟等。这为需要模拟真实应用场景的研究人员提供了实践支持。
总之，PFLlib作为一个面向个性化和传统联邦学习的综合性算法库，它不仅为技术开发者提供了丰富的算法支持，也为学术研究者探索联邦学习中的个性化与隐私保护提供了一个优秀的平台。
