PFLoRA lib
1.0.0
Berikut ini adalah readme yang diperbarui untuk repositori pflora-lib:
Gambar 1: Contoh untuk Fedavg. Anda dapat membuat skenario menggunakan generate_DATA.py dan menjalankan algoritma menggunakan main.py , clientNAME.py , dan serverNAME.py .
Pflora-Lib adalah perpustakaan algoritma yang ramah pengguna dengan platform evaluasi terintegrasi untuk penelitian Federated Learning (FL), dengan fokus pada personalisasi dan efisiensi menggunakan adaptasi rendah (LORA).
Diagram putri duyung untuk proses Lora-Federal. Diagram ini akan mencakup lebih banyak langkah dan komponen untuk lebih mewakili proses penuh:
grafik td
Subgraph "Klien 1"
A1 [Dataset Lokal] -> B1 [kereta]
B1 -> C1 [Adaptor Lora]
C1 -> D1 [Evaluasi]
D1 -> E1 [Kirim Pembaruan]
akhir
Subgraph "Klien 2"
A2 [Dataset Lokal] -> B2 [kereta]
B2 -> C2 [Adaptor Lora]
C2 -> D2 [Evaluasi]
D2 -> E2 [Kirim Pembaruan]
akhir
subgraph "klien n"
Sebuah [dataset lokal] -> BN [kereta]
Bn -> cn [adaptor lora]
CN -> DN [Evaluasi]
Dn -> en [kirim pembaruan]
akhir
Subgraph "Global Server"
F [menerima pembaruan]
G [Adaptor Lora Agregat]
H [Perbarui Model Global]
Saya [mendistribusikan model yang diperbarui]
akhir
E1 -> f
E2 -> f
En -> f
F -> g
G -> h
H -> i
I -> | Babak Baru | B1
I -> | Babak Baru | B2
I -> | Babak Baru | Bn
subgraph "komponen sistem"
J [geneate_mnist.py]
K [clientlora.py]
L [serverlora.py]
M [main.py]
akhir
J -> | Hasilkan Dataset | A1
J -> | Hasilkan Dataset | A2
J -> | Hasilkan Dataset | SEBUAH
K -> | Tentukan Perilaku Klien | B1
K -> | Tentukan Perilaku Klien | B2
K -> | Tentukan Perilaku Klien | Bn
L -> | Tentukan perilaku server | F
L -> | Tentukan perilaku server | G
L -> | Tentukan perilaku server | H
L -> | Tentukan perilaku server | SAYA
M -> | Mengkonfigurasi hyperparameters | J
M -> | Mengkonfigurasi hyperparameters | K
M -> | Mengkonfigurasi hyperparameters | L
Diagram putri duyung terperinci ini mewakili:
Beberapa klien (1, 2, dan n) dengan set data dan proses lokal mereka:
Proses server global:
Komponen sistem:
generate_MNIST.py untuk pembuatan datasetclientlora.py untuk mendefinisikan perilaku klienserverlora.py untuk mendefinisikan perilaku servermain.py untuk mengkonfigurasi hyperparameters dan mengatur prosesAliran data dan kontrol antara komponen -komponen ini
Sifat siklik dari proses pembelajaran federasi, dengan model yang diperbarui dikirim kembali ke klien untuk pelatihan putaran baru
Diagram ini memberikan pandangan yang lebih komprehensif tentang proses Lora-Federal, menunjukkan siklus pembelajaran federasi tingkat tinggi dan komponen spesifik yang terlibat dalam mengimplementasikannya dengan adaptasi LORA.
conda env create -f env_cuda_latest.yamlgit clone https://github.com/chenxingqiang/PFLoRA-lib.git cd ./system
python main.py -data MNIST -m cnn -algo FedAvg -gr 2000 -did 0
-cdr-tsr-ssr-tth Mudah tambahkan baru:
Jika Anda menggunakan pflora-lib dalam penelitian Anda, silakan kutip makalah yang relevan:
@inproceedings{zhang2023fedala,
title={Fedala: Adaptive local aggregation for personalized federated learning},
author={Zhang, Jianqing and Hua, Yang and Wang, Hao and Song, Tao and Xue, Zhengui and Ma, Ruhui and Guan, Haibing},
booktitle={Proceedings of the AAAI Conference on Artificial Intelligence},
volume={37},
number={9},
pages={11237--11244},
year={2023}
}
@inproceedings{Zhang2023fedcp,
author = {Zhang, Jianqing and Hua, Yang and Wang, Hao and Song, Tao and Xue, Zhengui and Ma, Ruhui and Guan, Haibing},
title = {FedCP: Separating Feature Information for Personalized Federated Learning via Conditional Policy},
year = {2023},
booktitle = {Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining}
}
@inproceedings{zhang2023gpfl,
title={GPFL: Simultaneously Learning Global and Personalized Feature Information for Personalized Federated Learning},
author={Zhang, Jianqing and Hua, Yang and Wang, Hao and Song, Tao and Xue, Zhengui and Ma, Ruhui and Cao, Jian and Guan, Haibing},
booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
pages={5041--5051},
year={2023}
}
@inproceedings{
zhang2023eliminating,
title={Eliminating Domain Bias for Federated Learning in Representation Space},
author={Jianqing Zhang and Yang Hua and Jian Cao and Hao Wang and Tao Song and Zhengui XUE and Ruhui Ma and Haibing Guan},
booktitle={Thirty-seventh Conference on Neural Information Processing Systems},
year={2023},
url={https://openreview.net/forum?id=nO5i1XdUS0}
}
Untuk informasi lebih lanjut dan instruksi penggunaan terperinci, silakan merujuk ke dokumentasi lengkap.
