PFLoRA lib
1.0.0
다음은 pflora-lib 저장소에 대한 업데이트 된 readme입니다.
그림 1 : Fedavg의 예. generate_DATA.py 사용하여 시나리오를 작성하고 main.py , clientNAME.py 및 serverNAME.py 사용하여 알고리즘을 실행할 수 있습니다.
Pflora-Lib는 저격한 적응 (LORA)을 사용한 개인화 및 효율성에 중점을 둔 연합 학습 (FL) 연구를위한 통합 평가 플랫폼을 갖춘 사용자 친화적 인 알고리즘 라이브러리입니다.
Lora-federal 프로세스에 대한 인어 다이어그램. 이 다이어그램은 전체 프로세스를 더 잘 나타내는 더 많은 단계와 구성 요소가 포함됩니다.
그래프 TD
하위 그래프 "클라이언트 1"
A1 [로컬 데이터 세트] -> B1 [Train]
B1-> C1 [LORA 어댑터]
C1-> D1 [평가]
D1-> e1 [업데이트 보내기]
끝
하위 그래프 "클라이언트 2"
A2 [로컬 데이터 세트] -> B2 [Train]
B2-> C2 [LORA 어댑터]
C2-> D2 [평가]
D2-> e2 [업데이트 보내기]
끝
하위 그래프 "클라이언트 N"
[로컬 데이터 세트] -> bn [Train]
BN-> CN [LORA 어댑터]
CN-> DN [평가]
DN-> en [업데이트 보내기]
끝
하위 그래프 "글로벌 서버"
f [업데이트 받기]
g [골재 로라 어댑터]
H [글로벌 모델 업데이트]
나는 [업데이트 된 모델 배포]
끝
e1-> f
e2-> f
ko-> f
f-> g
g-> h
H-> i
i-> | 새로운 라운드 | B1
i-> | 새로운 라운드 | B2
i-> | 새로운 라운드 | Bn
하위 그래프 "시스템 구성 요소"
J [Generate_Mnist.py]
k [clientlora.py]
l [serverlora.py]
m [main.py]
끝
J-> | 데이터 세트 생성 | A1
J-> | 데이터 세트 생성 | A2
J-> | 데이터 세트 생성 | an
K-> | 클라이언트 행동 정의 | B1
K-> | 클라이언트 행동 정의 | B2
K-> | 클라이언트 행동 정의 | Bn
L-> | 서버 동작 정의 | 에프
L-> | 서버 동작 정의 | G
L-> | 서버 동작 정의 | 시간
L-> | 서버 동작 정의 | 나
m-> | 하이퍼 파라미터 구성 | J.
m-> | 하이퍼 파라미터 구성 | 케이
m-> | 하이퍼 파라미터 구성 | 엘
이 자세한 인어 다이어그램은 다음을 나타냅니다.
로컬 데이터 세트 및 프로세스를 사용하여 여러 클라이언트 (1, 2 및 N) :
글로벌 서버의 프로세스 :
시스템 구성 요소 :
generate_MNIST.pyclientlora.pyserverlora.pymain.py데이터의 흐름과 이러한 구성 요소 간의 제어
연합 학습 과정의 주기적 특성, 업데이트 된 모델은 새로운 교육 라운드를 위해 고객에게 다시 전송됩니다.
이 다이어그램은 LORA-FEDERAL 프로세스에 대한보다 포괄적 인 관점을 제공하여 고급 연합 학습주기와 LORA 적응과 함께 구현하는 데 관련된 특정 구성 요소를 모두 보여줍니다.
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 쉽게 새로운 추가 :
연구에서 pflora-lib를 사용하는 경우 관련 서류를 인용하십시오.
@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}
}
자세한 정보 및 자세한 사용 지침은 전체 문서를 참조하십시오.
