OpenFL（开放联邦学习）是一种旨在实现跨多个组织或设备的去中心化机器学习的框架，同时保持数据本地化。它的工作原理是协调一个中央“聚合器”和分布式“协作者”（例如，医院、边缘设备），它们训练共享模型而不共享原始数据。聚合器管理全局模型并聚合来自协作者的更新，协作者在其私有数据集上执行本地训练。这种方法保护了隐私并符合 GDPR 等数据法规，因为原始数据永远不会离开原始位置。
从技术上讲，OpenFL 使用基于任务的工作流程。聚合器初始化一个全局模型并将其分发给协作者。每个协作者使用其数据集在本地训练模型，计算模型更新（例如，梯度或权重），并将这些更新发送回聚合器。然后，聚合器将更新组合在一起——通常使用联邦平均 (FedAvg) 等算法——以创建改进的全局模型。例如，在医疗保健场景中，五家医院可以协作训练肿瘤检测模型：每家医院都在本地训练其患者扫描数据，并且仅共享模型更新（而非患者数据）。OpenFL 通过 gRPC 或 HTTP 等协议处理通信，并包括安全聚合等安全功能，以防止模型更新泄露敏感信息。
开发人员通过定义基于 Python 的训练工作流程来实现 OpenFL。首先，他们创建一个“计划”，指定模型架构、优化器和数据加载器。通过 YAML 文件配置协作者以指向其本地数据集。聚合器通过将任务（例如，“训练 10 个 epoch”）发送给协作者并合并结果来协调训练轮次。例如，开发人员可能会编写一个训练脚本，该脚本使用 PyTorch 在启用了 GPU 的协作者节点上计算本地模型更新。OpenFL 还支持差分隐私或自定义聚合规则的插件。通过压缩技术（例如，量化模型更新）和稳健的聚合方法来解决网络延迟或异构数据分布等挑战。通过抽象通信和协调，OpenFL 简化了跨不同硬件（从服务器到 IoT 设备）扩展的联邦系统的构建。