雲運算| 阿里巴巴開源聯邦學習框架FederatedScope降低隱私保護計算技術開發與部署難度
Table Of Contents
[雲運算]
隨著生物技術和金融技術進步，隱私保護計算技術更加受重視，如何保障隱私在在數據提取價值，成為了多個行業的共同難題。
以最簡單的解釋，隱私保護計算技術為了解決隱私保護與數據應用的兩難局面，其中一種方法是就是透過「數據不動模型動」為理念，聯邦學習框架應運而生，通過用戶數據不離開原有儲存位置的方式，完成雲端的模型訓練，實現「資料可用不可見」。
Gartner研究預測，2025年之前，約六成大型企業預計，應用至少一種隱私保護計算技術。阿里巴巴達摩院2022十大科技趨勢同樣將隱私保護計算列為重要趨勢，認為該技術將從覆蓋少量資料的場景走向全域保護，從而激發數位時代的新生產力。
達摩院發佈新型聯邦學習框架FederatedScope，該框架支持大規模、高效率的聯邦學習非同步訓練，相容不同設備運行環境，提供豐富功能模組，降低隱私保護計算技術開發與部署難度。該框架現已全面開源。
隱私保護計算場景和應用行業愈來愈多元化，涉及數據類型亦日趨豐富，有聯邦學習框架難以滿足越來越複雜的運算要求，需從注重從「可用」到注重「好用」。
為解決上述挑戰，達摩院智慧計算實驗室研發了新型聯邦學習框架FederatedScope，該框架使用事件驅動的程式設計範式來構建聯邦學習，即將聯邦學習看成是參與方之間收發消息的過程，通過定義消息類型以及處理消息的行為來描述聯邦學習過程。通過這一方式，FederatedScope實現了支援在豐富應用場景中進行大規模、高效率的聯邦學習非同步訓練。
達摩院團隊對FederatedScope訓練模組進行抽象，使其不依賴特定的深度學習後端，能相容PyTorch、Tensorflow等不同設備運行的環境，降低聯邦學習科研與實際應用中的開發難度和成本。
為進一步適應不同應用場景，FederatedScope整合多種功能模組，包括自動調參、隱私保護、性能監控、端模型個性化等。FederatedScope支援開發人員通過設定檔，可快速調用整合模組，以方便快速入門；允許通過註冊的方式，添加新演算法實現調用，支援定制化及深度學習。
達摩院智慧計算實驗室隱私保護計算團隊負責人丁博麟說：「數據成為重要的生產要素，隱私保護計算是保障這一要素發揮作用關鍵技術，通過開源聯邦學習框架，希望促進隱私保護計算研究和廣泛應用，以便醫藥研發、政務互通、人機交互等數據密集領域更安全、更順暢地發展。」
