OpenFL: библиотека с открытым исходным кодом для федеративного обучения

Федеративное обучение (ФО) — вычислительная парадигма, позволяющая организациям совместно работать над проектами в области машинного обучения (МО) и глубокого обучения (ГО), не обмениваясь конфиденциальными данными, такими как медицинские записи, финансовая информация или секретные сведения. OpenFL — созданный на Python инструмент с открытым исходным кодом для обучения алгоритмов МО и ГО в рамках парадигмы совместного обучения с сохранением конфиденциальности данных; он подходит для различных областей применения. OpenFL поддерживает обучающие конвейеры на TensorFlow и PyTorch и может быть легко расширен для работы с другими платформами МО и ГО.

В этой статье мы представляем OpenFL и обобщаем предпосылки его создания и особенности разработки, чтобы облегчить внедрение библиотеки в существующие процессы обучения моделей МО и ГО в производственной среде. Мы также даём рекомендации по защите федерации с помощью доверенных сред исполнения, которые обеспечивают безопасность и целостность модели, а также конфиденциальность данных. Наконец, мы описываем первые федерации в здравоохранении, применяющие библиотеку OpenFL в реальных условиях, и показываем, как её можно использовать в других областях.

OpenFL разработана с учётом масштабирования в реальных условиях и доверенного исполнения; кроме того, она упрощает перенос централизованных моделей в федеративный конвейер обучения. Изначально библиотека предназначалась для применения в здравоохранении, однако она подходит и для других областей и получает всё более широкое распространение в научных исследованиях и производственной среде. Исходный код открыт: github.com/intel/openfl.

**Цель. Подход. Основные результаты. Значимость.**