今天，阿里巴巴达摩院发布新型联邦学习框架FederatedScope，并面向全球开发者开源。
FederatedScope支持大规模、高效率的联邦学习异步训练，能兼容不同设备运行环境，且提供丰富功能模块，大幅降低了隐私保护计算技术开发与部署难度。
联邦学习核心理念是“数据不动模型动”，其通过用户数据不出本地的方式完成云端模型训练，实现了“数据可用不可见”，成为隐私保护计算主流技术之一。
但随着应用场景和数据类型日趋丰富，已有联邦学习框架难以灵活高效地满足现实中越来越复杂的计算需求，需从注重“可用”到注重“好用”。
为解决上述挑战，达摩院智能计算实验室研发了新型联邦学习框架FederatedScope：
使用新编程范式：达摩院使用了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。
抽象训练模块：达摩院团队对FederatedScope训练模块进行抽象，使其不依赖特定的深度学习后端，能兼容PyTorch、Tensorflow等不同设备运行环境，大幅降低了联邦学习在科研与实际应用中的开发难度和成本。
集成多种功能模块：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。
达摩院智能计算实验室资深技术专家丁博麟表示，“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。”
/ END /
