Are you sure you want to delete this task? Once this task is deleted, it cannot be recovered.
|
5 months ago | |
---|---|---|
HiStar | 5 months ago | |
images | 9 months ago | |
secure_aggregation | 5 months ago | |
test | 1 year ago | |
.gitignore | 1 year ago | |
LICENSE | 1 year ago | |
Readme.md | 9 months ago | |
setup.py | 1 year ago |
HiStar是由鹏城实验室人工智能研究中心-联邦学习中间件研发团队自主研发的联邦深度学习中间件,致力于解决人工智能领域面临的数据孤岛以及隐私安全问题。
通过使用HiStar,深度学习算法的开发人员只需要在原有深度学习代码中构建模型前添加
import HiStar
client = HiStar.ClientWorker(None, host, port, rank=rank, client_num=client_num, device=device)
在优化器后添加
opt = HiStar.FedOptim(opt, client)
三行代码,便可以将其转换为可以实现支持多方协同训练且对训练数据进行有效保护的代码,而不需要具有隐私和安全领域的专业知识。
当前版本HiStar集成了安全聚合技术,提供了其在知识产权交易推荐和车辆重识别两个场景中的具体应用的介绍以及演示示例。同时还提供了以上两个场景下实现多方隐私保护协同训练的相关可测试指标,如模型性能、计算时间、通信时间。
[快速上手]
[加入微信交流群]
python>=3.7
torch>=1.4.0
git clone https://git.openi.org.cn/PCL-Federated.Learning.Middleware/HiStar.git
cd HiStar
python setup.py install
HiStar未来将多种主流的隐私保护策略为技术手段,提供非侵入式、多场景适用、适用于端边云架构、性能-安全可综合调控的深度学习隐私保护方案。
非侵入式: 深度学习算法的开发人员在使用HiStar将深度学习算法转换为具有隐私保护的联邦深度学习算法时无需侵入原有算法,如将深度学习中的非线性运算替换为多项式进行计算。
多场景适用: 使用HiStar可以针对多种不同的机器学习使用场景进行隐私保护方案的定制,既能满足数据横向切分/纵向切分的训练与推理,也可满足集中式/分布式模型的训练与推理。
适用于端-边-云应用架构: HiStar将兼容以“云”为主导进行大规模神经网络预训练;以“云”及“边”为参与方进行联邦微调;通过“端边云”协同进行联邦推理的应用架构。
性能-安全综合调控: HiStar将融合多种隐私保护策略,实现多种隐私保护手段,并对性能及安全综合考量与评测,可基于不同业务场景灵活选择合适的安全技术。
HiStar项目使用Apache-2.0协议。