©PaperWeekly 原创 · 作者 | 张剑清
单位 | 上海交通大学、清华大学（AIR）
研究方向 | 联邦学习
我们在 GitHub 上开源了一个个性化联邦学习算法仓库（PFLlib），目前已经获得 1K+ 个 Star 和 200+ 个 Fork，在业内收到了广泛的好评。PFLlib 囊括了 34 个联邦学习算法（其中包含 27 个个性化联邦学习算法）、3 大类数据异质场景、20 个数据集。
开源该仓库的主要目的是：1）降低初学者研究个性化联邦学习算法的门槛；2）提供一个统一的实验环境，在多种场景和多个方面对不同个性化联邦学习算法进行评估，为个性化联邦学习算法在具体场景中应用时的选择提供参考；3）为个性化联邦学习算法的研究者们提供一个可以交流的平台，在交流的过程中互相学习，碰撞出新的火花。
▲ GitHub Star 的增长曲线
论文标题：
PFLlib: Personalized Federated Learning Algorithm Library
论文链接：
https://arxiv.org/abs/2312.04992
代码链接：
https://github.com/TsingZ0/PFLlib
个性化联邦学习（PFL）
联邦学习（FL）作为一种新型的分布式机器学习范式，它主要用于训练人工智能（AI）模型。除了传统分布式机器学习的跨设备协同训练 AI 模型的特点之外，联邦学习的特殊性主要体现在保护每个设备上数据隐私的能力。
联邦学习实现隐私保护的主要方式是：禁止具有隐私性的数据离开产生该数据的设备。这种限制使得这些设备上的本地数据无法通过传统分布式机器学习中的数据采集、数据清洗、数据分片等操作，来实现每个设备上数据的一致性。
由于不同设备所处环境的不同，使得它们各自产生数据、采集数据、处理数据的方式不尽相同。于是，便产生了各个设备之间的数据异质问题，如图 1。在异质的数据上学习得到的本地模型，通过服务器进行了模型参数聚合后生成的全局模型会有表现不佳等问
