更新时间:2021-12-17 GMT+08:00
分享

功能介绍

  • 支持多种边缘计算框架

    支持客户端节点使用Tensorflow、Caffe、Pytorch三种深度学习框架生成的模型进行联邦学习,无需用户进行模型文件适配。

  • 支持多种联邦汇聚算法

    联邦聚合算法:联邦基础的加权平均算法,适用于各类计算梯度下降求解的算法。

    学习率衰减:开启学习率衰减算法,能够让联邦收敛的更加平滑,同时能够达到最优解。

    梯度分叉算法:开启自适应算法(又名梯度分叉法),达到相同精度的要求下可以有效的减少本地训练时长。

  • 支持多种安全隐私算法

    多方安全计算:在安全要求较高的场景下,开启安全多方算法可以实现本地模型的信息不被服务端获取,同时不降低模型的精度。

    差分隐私:在安全场景下,通过不同阶段加噪,最大化数据查询的准确性同时最大限度减少识别数据的机会。

  • 支持多种模型压缩算法

    参数冻结法:压缩算法,根据模型变化趋势调节每轮联邦汇聚的参数达到降低通信带宽的目的。

    随机挑参法:在多节点场景下,每个客户端随机上传部分参数达到降低通信带宽的目的。

  • 支持联邦可视化

    联邦平台上实现 1. 边缘节点的状态(包括离线、空闲、训练、评估等);2、边缘节点训练的相关信息(如:样本数,训练时长,准确率,带宽使用等)的实时及历史可视化展示。

分享:

    相关文档

    相关产品

close