Colosseum-ORAN 聯邦學習切片專案

專案亮點

我們把最潮的技術跟真實數據結合，打造出一個可以重現、擴充，又兼顧隱私保護的 AI 研究框架。

採用 Colosseum/ORAN 的「ColO-RAN」公開資料集，模擬真實世界網路的運作狀況。

最新版有個四合一的超猛儀表板，把資源效率、網路負載、用戶行為跟服務品質（QoS）的狀況全都畫給你看，監控起來一清二楚。

我們做出了超穩、可以自己調整的差分隱私 (DP) 機制，還能追蹤隱私預算花了多少，保護你的資料安全。

不用再自己搞那些複雜的 CUDA 環境，在瀏覽器裡點一下，就能直接跑訓練、做實驗。

只要跟著下面幾個簡單步驟，你也可以輕鬆跑完一整個聯盤學習流程。

點個按鈕，最新的筆記本就會直接在 Google Colab 裡打開，馬上就能用。

先把我們處理好的資料集（大概 400MB）下載下來，再把它丟到你的 Colab 環境裡。

在 Colab 上方選單找到「執行階段」，然後點「全部執行」，程式就會自己開始跑訓練，是不是超簡單？

從一開始的點子，到現在這個功能完整、又可以保護隱私的最終版，這裡記錄了我們把這個專案一步步生出來的血淚史。

功能增強

這個版本專門來「強化」我們的差分隱私。用了 `RobustScaler` 讓模型比較不怕奇怪的資料，也把隱私噪音調高。同時還加了些方便除錯的小工具，並改善記憶體問題，讓整個訓練過程更穩、更可靠。

看看 Release Note

重要里程碑

這是我們第一個功能完整又穩定的版本。我們自己寫了一個梯度處理的函式，成功把差分隱私加進來，順便解決了套件不合的問題。另外還加了 Early Stopping 和自動存最佳模型的功能，為之後的研究打下了穩固的基礎。

在 Colab 中開啟

修復版

這個版本主要在救火，為了解決 v1.0.2 版 TFF API 整個炸掉的問題。我們把所有套件的版本都鎖死，換成官方推薦的新 API，總算把路鋪好，讓後面可以順利把差分隱私加進來。

看看 Release Note

早期版本

一切的起點 (v1.0.1)，目標是讓大家在 Colab 上能「無痛」上手，解決了超煩的環境問題。接著在 v1.0.2，我們第一次試著自己做 DP-FedAvg，雖然因為 API 太舊而失敗，但也算是累積了寶貴的「踩雷」經驗啦。

看看早期版本

帶你來看看最新版的架構、那個很酷的儀表板，還有我們是怎麼搞定差分隱私的。

v1.0.6 版我們弄了一個 `FederatedPredictionSystem` 核心 Class，把資料處理、模型訓練、隱私計算、到最後畫圖的功能全都包進去，大大提升了程式碼的模組化跟維護的方便性。最屌的亮點就是那個全新的四合一儀表板：