我們在 GitHub 上開源了一個個性化聯(lián)邦學(xué)習(xí)算法倉庫（PFLlib），目前已經(jīng)獲得 1K+ 個 Star 和 200+ 個 Fork，在業(yè)內(nèi)收到了廣泛的好評。PFLlib 囊括了 34 個聯(lián)邦學(xué)習(xí)算法（其中包含 27 個個性化聯(lián)邦學(xué)習(xí)算法）、3 大類數(shù)據(jù)異質(zhì)場景、20 個數(shù)據(jù)集。

?

開源該倉庫的主要目的是：1）降低初學(xué)者研究個性化聯(lián)邦學(xué)習(xí)算法的門檻；2）提供一個統(tǒng)一的實(shí)驗(yàn)環(huán)境，在多種場景和多個方面對不同個性化聯(lián)邦學(xué)習(xí)算法進(jìn)行評估，為個性化聯(lián)邦學(xué)習(xí)算法在具體場景中應(yīng)用時的選擇提供參考；3）為個性化聯(lián)邦學(xué)習(xí)算法的研究者們提供一個可以交流的平臺，在交流的過程中互相學(xué)習(xí)，碰撞出新的火花。

▲ GitHub Star 的增長曲線

論文標(biāo)題：

PFLlib: Personalized Federated Learning Algorithm Library

論文鏈接：

??https://arxiv.org/abs/2312.04992??

代碼鏈接：

??https://github.com/TsingZ0/PFLlib??

個性化聯(lián)邦學(xué)習(xí)（PFL）

聯(lián)邦學(xué)習(xí)（FL）作為一種新型的分布式機(jī)器學(xué)習(xí)范式，它主要用于訓(xùn)練人工智能（AI）模型。除了傳統(tǒng)分布式機(jī)器學(xué)習(xí)的跨設(shè)備協(xié)同訓(xùn)練 AI 模型的特點(diǎn)之外，聯(lián)邦學(xué)習(xí)的特殊性主要體現(xiàn)在保護(hù)每個設(shè)備上數(shù)據(jù)隱私的能力。

聯(lián)邦學(xué)習(xí)實(shí)現(xiàn)隱私保護(hù)的主要方式是：禁止具有隱私性的數(shù)據(jù)離開產(chǎn)生該數(shù)據(jù)的設(shè)備。這種限制使得這些設(shè)備上的本地數(shù)據(jù)無法通過傳統(tǒng)分布式機(jī)器學(xué)習(xí)中的數(shù)據(jù)采集、數(shù)據(jù)清洗、數(shù)據(jù)分片等操作，來實(shí)現(xiàn)每個設(shè)備上數(shù)據(jù)的一致性。

由于不同設(shè)備所處環(huán)境的不同，使得它們各自產(chǎn)生數(shù)據(jù)、采集數(shù)據(jù)、處理數(shù)據(jù)的方式不盡相同。于是，便產(chǎn)生了各個設(shè)備之間的數(shù)據(jù)異質(zhì)問題，如圖 1。在異質(zhì)的數(shù)據(jù)上學(xué)習(xí)得到的本地模型，通過服務(wù)器進(jìn)行了模型參數(shù)聚合后生成的全局模型會有表現(xiàn)不佳等問題。

▲ 圖1：聯(lián)邦學(xué)習(xí)及數(shù)據(jù)異質(zhì)問題。

為了應(yīng)對聯(lián)邦學(xué)習(xí)中的數(shù)據(jù)異質(zhì)問題，研究者們開始探索在設(shè)備參與到聯(lián)邦學(xué)習(xí)系統(tǒng)里進(jìn)行協(xié)同訓(xùn)練、聚合得到全局模型的同時，為自己學(xué)習(xí)適配本地任務(wù)的個性化模型的新型聯(lián)邦學(xué)習(xí)算法。這類算法被人們稱為“個性化聯(lián)邦學(xué)習(xí)算法”。

在個性化聯(lián)邦學(xué)習(xí)的范疇中，生成全局模型不再是最終的目的，而以全局模型為知識共享的載體、用全局模型中蘊(yùn)含的全局信息來提升本地模型效果才是最終的目標(biāo)，如圖 2 所示。

在個性化聯(lián)邦學(xué)習(xí)框架之下，每個參與者通過聯(lián)邦學(xué)習(xí)過程實(shí)現(xiàn)協(xié)作，用聚合得到的全局信息彌補(bǔ)了本地數(shù)據(jù)不足的問題；且每個參與者為自己本地任務(wù)訓(xùn)練得到的個性化模型利好參與者自身，無形中激勵了各個設(shè)備參與聯(lián)邦學(xué)習(xí)的熱情。

▲ 圖2：個性化聯(lián)邦學(xué)習(xí)。

PFLlib 簡介

2021 年伊始，本人在探索個性化聯(lián)邦學(xué)習(xí)算法的過程中發(fā)現(xiàn)，由于不同論文的實(shí)驗(yàn)設(shè)置（如數(shù)據(jù)集、模型結(jié)構(gòu)、數(shù)據(jù)異質(zhì)種類、客戶機(jī)數(shù)量、超參數(shù)設(shè)定等）不同，導(dǎo)致論文中的大部分實(shí)驗(yàn)數(shù)據(jù)不能復(fù)用。同時，有相當(dāng)一部分的論文，其代碼并不開源，使得我們無法通過在新場景下運(yùn)行代碼來獲得實(shí)驗(yàn)數(shù)據(jù)。

此外，在 PFL 領(lǐng)域逐漸火熱起來后，對比實(shí)驗(yàn)往往需要比較十幾個相關(guān)方法，即使每個方法有自己的開源代碼，為這些具有不同風(fēng)格、結(jié)構(gòu)、規(guī)范的代碼進(jìn)行新實(shí)驗(yàn)設(shè)置的適配需要花費(fèi)大量的精力和時間，使得剛?cè)腴T PFL 的研究者無法關(guān)注在 PFL 本身的研究上。

當(dāng)時，我在探索后來發(fā)表在 AAAI 2023 的 FedALA [1]（PFLlib 包含該算法）過程中，感覺自己寫的用來進(jìn)行對比實(shí)驗(yàn)的代碼框架相對簡單易懂。出于開源精神，我便對其進(jìn)行了開源。之后，隨著我在 PFL 領(lǐng)域逐步深入，越來越多的PFL方法出現(xiàn)，我后續(xù)也持續(xù)地加入了不少算法，才有了如今的規(guī)模。

▲ 圖3：PFLlib 中實(shí)現(xiàn) FedAvg 的例子。

總的來說，PFLlib 擁有以下幾個特性：

• 代碼結(jié)構(gòu)簡單，易于入手和閱讀，易于添加新算法。工具函數(shù)存放在??utils??文件夾中?；A(chǔ)的設(shè)備和服務(wù)器操作分別存放在??clientbase.py??和??serverbase.????py??中。如圖 3，以在 MNIST 數(shù)據(jù)集上實(shí)現(xiàn)最基礎(chǔ)的 FedAvg [2] 算法為例，我們只需要編寫??generate_MNIST.py??來生成實(shí)驗(yàn)場景，然后編寫??clientavg.py??和??serveravg.py??來實(shí)現(xiàn) FedAvg 訓(xùn)練流程，再將 FedAvg 在??main.py??配置一下，即可通過命令行運(yùn)行 FedAvg 算法。
• 提供了較為全面的聯(lián)邦學(xué)習(xí)算法倉庫和實(shí)驗(yàn)環(huán)境。PFLlib 總共擁有 34 個聯(lián)邦學(xué)習(xí)算法（其中包含 27 個個性化聯(lián)邦學(xué)習(xí)算法）、3 大類數(shù)據(jù)異質(zhì)場景、20 個數(shù)據(jù)集。
• GPU 資源需求較少。使用實(shí)驗(yàn)中最常用的 4 層 CNN 網(wǎng)絡(luò)，可以在 NVIDIA GeForce RTX 3090 GPU 上，僅用 5.08GB 顯存模擬 500 個設(shè)備同步訓(xùn)練的場景。
• 提供了一種基于 DLG [3] 的隱私攻擊和隱私泄露度量指標(biāo)，用于度量多數(shù)論文中沒提及的 PFL 算法的隱私保護(hù)能力。

34個聯(lián)邦學(xué)習(xí)算法

根據(jù)聯(lián)邦學(xué)習(xí)算法中用到的技術(shù)，我們對 34 個 PFL 算法進(jìn)行了分類，具體分類結(jié)果見表 1。

▲ 表1：PFLlib 中聯(lián)邦學(xué)習(xí)算法的分類。

3個場景和20個數(shù)據(jù)集

聯(lián)邦學(xué)習(xí)的數(shù)據(jù)異質(zhì)場景主要分為四大類：不平衡性（unbalance）、標(biāo)簽傾斜（label skew）、特征漂移（feature shift）、真實(shí)世界（real-world）。

其中不平衡性指的是不同設(shè)備上數(shù)據(jù)量不同；標(biāo)簽傾斜主要指的是不同設(shè)備上的數(shù)據(jù)特征相似但類別（標(biāo)簽）不同；特征漂移則與標(biāo)簽傾斜恰好相反，指的是不同設(shè)備上的數(shù)據(jù)標(biāo)簽相同但特征不同；真實(shí)世界指的是不同設(shè)備上的數(shù)據(jù)是真實(shí)采集到的，可能同時包含以上三種情況。

由于不平衡性與標(biāo)簽傾斜和特征漂移都不沖突，PFLlib 將不平衡性融入了標(biāo)簽傾斜和特征漂移之中。

PFLlib 為標(biāo)簽傾斜（含不平衡性）、特征漂移（含不平衡性）、真實(shí)世界三個場景分別提供了適用于各自場景的數(shù)據(jù)集。

標(biāo)簽傾斜：該場景是在聯(lián)邦學(xué)習(xí)領(lǐng)域探索的最多的場景，也是現(xiàn)實(shí)情況下最容易遇到的場景。該場景進(jìn)一步還分為病態(tài)的非獨(dú)立同分布（pathological non-IID）和真實(shí)的非獨(dú)立同分布（practical non-IID）兩個子場景。

總共有 14 個數(shù)據(jù)集用于標(biāo)簽傾斜場景：MNIST、EMNIST、Fashion-MNIST、Cifar10、Cifar100、AG News、Sogou News、Tiny-ImageNet、Country211、Flowers102、GTSRB、Shakespeare、Stanford Cars。它們都支持以上兩個子場景。

特征漂移：在這個場景中，PFLlib 主要采用了 3 個數(shù)據(jù)集，分別是：Amazon Review、Digit5、DomainNet。

真實(shí)世界：PFLlib 采用的是 IoT（Internet of Things）數(shù)據(jù)集，它們分別是：Omniglot（20 個設(shè)備, 50 個標(biāo)簽)、HAR（Human Activity Recognition）（30 個設(shè)備, 6 個標(biāo)簽）、PAMAP2（9 個設(shè)備，12 個標(biāo)簽）。

每個數(shù)據(jù)集中含有多個子數(shù)據(jù)集，每個子數(shù)據(jù)集是從某個具體的設(shè)備（例如傳感器、陀螺儀等）上采集得到的真實(shí)數(shù)據(jù)。這類數(shù)據(jù)集有利于 PFL 算法在實(shí)際場景落地問題的研究。正如 GPFL [4]（PFLlib 包含該算法）中的實(shí)驗(yàn)表明，在模擬場景（標(biāo)簽傾斜和特征漂移等）表現(xiàn)較好的算法，在真實(shí)世界場景中不一定具有良好表現(xiàn)。

部分實(shí)驗(yàn)結(jié)果

出于驗(yàn)證 PFLlib 中附帶實(shí)驗(yàn)平臺的可用性，根據(jù) GPFL 中的默認(rèn)實(shí)驗(yàn)設(shè)置，我們對部分算法在部分常見場景中的表現(xiàn)進(jìn)行了展示，如下表所示（實(shí)驗(yàn)結(jié)果僅供參考）。

▲ 表2：PFLlib 中部分聯(lián)邦學(xué)習(xí)算法在部分場景中測試集上的分類準(zhǔn)確率。

最后，感謝大家對 PFLlib 項目的支持，也歡迎剛了解到 PFLlib 的朋友們一起參與到 PFLlib 項目的建設(shè)中來！

本文轉(zhuǎn)自 PaperWeekly ，作者：張劍清

原文鏈接:??https://mp.weixin.qq.com/s/cKoc9H8NzRn9DR9wGiSNPw??