FATE？PaddleFL？联邦学习平台哪家强？

Posted 2021-04-01 Federated Learning

导读

数据是人工智能运转的“石油”，AI发展到现在的阶段，能否获得量大质高的数据已成为制约其进一步发展的重要因素。在这样背景之下，数据共享、融合的需求越来越强烈，但是在数据共享的过程中，如数据孤岛，数据隐私安全等问题，另一方面来说，传统的机器学习方法，需要把训练数据集中于某一台机器或是单个数据中心里，为了满足逐渐增加的数据量级，还要不断加机器、不断建设基础设施,而在数据集中的过程中有出现数据泄露的风险。

以上提到的问题导致传统的数据共享技术难以满足需求。新的技术应运而生——Federated Learning，在融合安全多方计算以及其他加密技术的基础之上发展越来越成熟。下面我们来了解一下目前市面上有关联邦学习的明星产品。

PaddleFL 联邦学习

PaddleFL（Federated Deep Learning）是百度公司研发的一个开源联邦学习框架，对于研究人员来说，可以很轻松地用 PaddleFL 复制和比较不同的联邦学习算法。PaddleFL主要是面向深度学习进行设计，提供了众多在计算机视觉、自然语言处理、推荐算法等领域的联邦学习策略及应用，同时PaddleFL 还将提供横向纵向传统机器学习方法的应用策略，结合自己大规模分布式训练的弹性调度能力，在联邦学习领域有非常多的应用场景。

FATE联邦学习

Federated AI Technology Enabler(简称FATE)是微众银行AI团队于今年2月推出的一个工业级别的联邦学习框架，它提供了一个计算框架来支持联邦学习算法。它使用同态加密，支持联邦学习的架构，实现经典的机器学习算法例如逻辑回归，梯度下降树，XGBoost等等，结合其优秀的稳定性，给了后续的开发者提供了一个落地实现联邦学习算法的范本。大部分的算法都可以经过一定的改造应用到联邦学习中。目前，微众银行AI团队已经推动FATE在多种金融场景下应用落地。

Clara 联邦学习

Clara 联邦学习（Clara Federated Learning），是一款由英伟达公司开发用于分布式协作联邦学习训练的应用程序，主要应用于医疗领域，主要目的在于保护患者的隐私并且实现联合训练的目的。由全球系统制造商打造的面向边缘的 NVIDIA NGC-Ready 服务器可以部署这些分布式客户端系统，可以实现本地深度学习训练，并协同训练出更为实用的全局模型。

工作原理如下：Clara 联邦学习应用程序被打包到 Helm 图表中，并在 Kubernetes 基础架构上的部署。NVIDIA EGX 平台将安全地对联邦服务器和协作客户端进行配置，提供启动联邦学习项目所需的一切，包括应用程序容器和初始 AI 模型。

对于参与项目的各家医院来说，他们的 EGX 服务器会基于其本地数据来训练全局模型。本地训练结果通过安全链接共享回联邦学习服务器。这种方法只会共享对模型权重的修正，而会保护患者的隐私，实现位于不同站点的大量医疗数据中获取经验，在情况下联合建模。为了联邦学习模型达到其期望的精度这一目的，此过程会反复执行。

总结

以上介绍了市面上的三种联邦学习产品，他们各有特点，也都为了联邦学习这一全新领域提供了一些专业的解决方案。在全球范围内对联邦学习的落地探索还会继续，联邦学习作为一个新兴的人工智能基础技术，还有很长的路要走。我们也有理由期待，随着联邦学习理论、应用体系的逐渐丰富，会有更多优秀的联邦学习平台出现。

参考资料：

https://github.com/WeBankFinTech/FATE

https://github.com/PaddlePaddle/Paddle

https://s0docs0nvidia0com.icopy.site/clara/tlt-mi/tlt-mi-getting-started/#gettingstarted_overview

《9项新品，4大产业开套件，百度PaddlePaddle迎来大升级》

《NVIDIA Clara联邦学习为医院带来AI，同时保护患者数据》