阿里巴巴達摩院宣布，發布新型聯邦學習框架FederatedScope，該框架支援大規模、高效率的聯邦學習異步訓練，能兼容不同設備運行環境，且提供豐富功能模塊，大幅降低了隱私保護計算技術開發與部署難度。該框架現已面向全球開發者開源。

隱私保護是數位經濟的安全基礎，如何在保障用戶資料隱私的同時提供高品質的連通服務，成為數位經濟時代的重要技術課題。為破解隱私保護與數據應用的兩難，以「數據不動模型動」為理念的聯邦學習框架應運而生，其透過用戶資料不離開本地的方式完成雲端模型訓練，實現了「數據可用不可見」的理念。近年來，聯邦學習成為隱私保護運算最重要的主流技術之一。

然而，隨著需應用隱私保護計算的場景和行業日趨多元，涉及到的數據類型日趨豐富，現有的聯邦學習框架難以靈活高效地滿足現實中越來越複雜的運算需要，應用要求也逐漸從「可用」轉移至「好用」。

為解決上述挑戰，達摩院智能計算實驗室研發了新型聯邦學習框架FederatedScope，該框架使用事件驅動的程式設計法來構建聯邦學習，即將聯邦學習看成是參與方之間收發消息的過程，透過定義消息類型以及處理消息的行為來描述聯邦學習過程。藉由這一方式，FederatedScope實現了支援在豐富應用場景中進行大規模、高效率的聯邦學習異步訓練。



同時，達摩院團隊對FederatedScope訓練模塊進行抽象，使其不依賴特定的深度學習後端，能兼容PyTorch、Tensorflow等不同設備運行環境，大幅降低了聯邦學習在科研與實際應用中的開發難度和成本。

為進一步適應不同應用場景，FederatedScope還結合了多種功能模塊，包括自動調整參數、隱私保護、性能監控、端模型個性化等。 FederatedScope支援開發者透過配置文件便捷地調用集成模塊，方便快速入門；也允許透過註冊的方式添加新的算法實現並調用，支援客製化及深度開發。

達摩院智能計算實驗室隱私保護計算團隊負責人丁博麟表示：「數據已成為重要的生產要素，而隱私保護計算是保障這一要素發揮作用的關鍵技術。透過開源最新聯邦學習框架，我們希望促進隱私保護運算在研究和生產中的廣泛應用，讓醫藥研發、人機交互等數據密集領域更安全、更順暢地發展。」