5月5日，阿里巴巴达摩院发布新型联邦学习框架FederatedScope，声称可以在不共享训练数据的情况下开发机器学习算法，从而保护隐私。，其源代码现已在Apache 2.0许可下发布在GitHub上。
介绍
该平台被描述为一个全面的联邦学习框架，为学术界和工业界的各种机器学习任务提供灵活的定制。它还被声称易于掌握，允许用户集成自己的组件，包括特定应用程序的数据集和模型。
联邦学习，顾名思义，是一种跨多个分布式节点或主机训练模型的机器学习技术。每个节点使用本地训练数据，如果模型参数在节点之间共享，而不是原始数据，这意味着数据本身可以保持私有。
根据阿里巴巴的说法，由于潜在的隐私问题，收集训练数据来构建和进化机器学习模型越来越受到审查，而联邦学习可以帮助解决其中的一些问题。
达摩院智能计算实验室隐私保护计算团队负责人丁博麟表示，"数据已成为重要的生产要素，而隐私保护计算是保障这一要素发挥作用的关键技术。通过开源最新联邦学习框架，我们希望促进隐私保护计算在研究和生产中的广泛应用，让医药研发、政务互通、人机交互等数据密集领域更安全、更顺畅地发展。"
流程图
特点
-
该框架使用事件驱动的编程范式来构建联邦学习，即将联邦学习看成是参与方之间收发消息的过程，通过定义消息类型以及处理消息的行为来描述联邦学习过程。通过这一方式，FederatedScope实现了支持在丰富应用场景中进行大规模、高效率的联邦学习异步训练。
-
为进一步适应不同应用场景，FederatedScope还集成了多种功能模块，包括自动调参、隐私保护、性能监控、端模型个性化等。FederatedScope支持开发者通过配置文件便捷地调用集成模块，方便快速入门；也允许通过注册的方式添加新的算法实现并调用，支持定制化及深度开发。
这些功能使开发人员能够针对计算机视觉、自然语言处理、语音识别、图形学习和推荐等领域构建和定制特定于任务的联邦学习应用程序。
隐私保护
FederatedScope还通过使用差分隐私和多方计算来满足不同的隐私保护需求，提供隐私保护。
Swarm Learning
阿里巴巴并不是唯一一家提供联合学习框架的公司。上个月，HPE推出了群学习(Swarm Learning)，这是它自己针对边缘应用或分布式站点的去中心化机器学习框架。HPE的群学习是作为群学习库的一部分提供的，它是容器化的，可以在Docker、虚拟机或裸机上运行，并使用区块链技术来确保模型参数可以安全地交换