ترجمه فارسی مقاله پیشرفت ها در APPFL: چارچوب یادگیری فدرال جامع و توسعه پذیر

چکیده

Federated learning (FL) is a distributed machine learning paradigm enabling collaborative model training while preserving data privacy. In today’s landscape, where most data is proprietary, confidential, and distributed, FL has become a promising approach to leverage such data effectively, particularly in sensitive domains such as medicine and the electric grid. Heterogeneity and security are the key challenges in FL, however; most existing FL frameworks either fail to address these challenges adequately or lack the flexibility to incorporate new solutions. To this end, we present the recent advances in developing APPFL, an extensible framework and benchmarking suite for federated learning, which offers comprehensive solutions for heterogeneity and security concerns, as well as user-friendly interfaces for integrating new algorithms or adapting to new applications. We demonstrate the capabilities of APPFL through extensive experiments evaluating various aspects of FL, including communication efficiency, privacy preservation, computational performance, and resource utilization. We further highlight the extensibility of APPFL through case studies in vertical, hierarchical, and decentralized FL. APPFL is open-sourced at https://github.com/APPFL/APPFL.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) یک الگوی یادگیری ماشین توزیع شده است که ضمن حفظ حریم خصوصی داده ها ، آموزش مدل مشترک را قادر می سازد.در چشم انداز امروز ، جایی که بیشتر داده ها اختصاصی ، محرمانه و توزیع شده است ، FL به یک رویکرد امیدوار کننده برای اهرم چنین داده هایی به طور مؤثر ، به ویژه در حوزه های حساس مانند پزشکی و شبکه برقی تبدیل شده است.ناهمگونی و امنیت چالش های اصلی در FL است.بیشتر چارچوب های FL موجود یا به طور مناسب در رفع این چالش ها یا عدم انعطاف پذیری در ترکیب راه حل های جدید ناکام هستند.برای این منظور ، ما پیشرفت های اخیر در توسعه APPFL ، یک چارچوب گسترده و مجموعه معیار برای یادگیری فدرال را ارائه می دهیم ، که راه حل های جامع برای ناهمگونی و نگرانی های امنیتی و همچنین رابط های کاربر پسند برای ادغام الگوریتم های جدید یا سازگاری با برنامه های جدید ارائه می دهد.ما قابلیت های APPFL را از طریق آزمایش های گسترده ای که جنبه های مختلف FL را ارزیابی می کند ، از جمله راندمان ارتباطات ، حفظ حریم خصوصی ، عملکرد محاسباتی و استفاده از منابع را نشان می دهیم.ما بیشتر قابلیت گسترش APPFL را از طریق مطالعات موردی در FL عمودی ، سلسله مراتبی و غیرمتمرکز برجسته می کنیم.APPFL در https://github.com/appfl/appfl باز است.