NVIDIA (輝達) 推出開源型態的 NVIDIA FLARE 軟體開發套件 (SDK)，協助分散各地的用戶合作開發更多通用的人工智慧 (AI) 模型，使研究人員能較過去更容易地使用聯合學習。
能夠保護隱私的聯合學習技術，特別適用於資料稀缺、機密或缺乏多樣性的情況，同時也適用於大型資料集，這些資料集可能會因為組織收集資料的方法，或病患、客戶的人口統計資料而出現偏差。
NVIDIA FLARE (Federated Learning Application Runtime Environment) 是 NVIDIA Clara Train 聯合學習軟體的基礎引擎，已應用於醫學影像、遺傳分析、腫瘤學及 COVID-19 研究的 AI 應用。研究人員與資料科學家可以透過此 SDK，將其現有的機器學習和深度學習工作流程調整為分散式架構 (paradigm)。
研究人員與平台開發人員透過採用開源型態的 NVIDIA FLARE，將能擁有更多工具來自訂其聯合學習解決方案，讓各行各業的先進 AI 變得更強大。
借助此 SDK，研究人員便能為特定領域的應用程式挑選各種聯合學習架構，量身打造自己的方法。平台開發者可以透過 NVIDIA FLARE 為客戶提供打造多方協作應用程式所需的分散式基礎設施。
適用於多個產業的彈性聯合學習工作流程
參與聯合學習的單位共同訓練或評估 AI 模型，無需匯集或交換各組的專有資料集。NVIDIA FLARE 提供多種分散式架構來實現這一點，包括點對點、循環及主從式 (server-client) 等。
NVIDIA 利用主從式架構，將從每個參與者學習到的模型參數發送到一個公用伺服器上，並匯總成一個全域模型 (global model)。NVIDIA 帶領進行的聯合學習專案，幫助分割胰臟癌腫瘤、對乳房攝影中的乳房密度進行分類，以告知罹患乳癌的風險，以及預測 COVID 患者的氧氣需求。
另外兩個使用 NVIDIA FLARE 的聯合學習合作項目也運用主從式架構，包含 NVIDIA 與羅氏 (Roche) Digital Pathology 的研究人員合作，利用整個片子的影像進行分類，成功地進行了內部模擬；NVIDIA 與位於荷蘭的 Erasmus Medical Center 合作開發一個 AI 應用程式，用於與精神分裂症病例有關的遺傳變異辨識。
不過並非每個聯合學習應用項目都適用於主從式架構。NVIDIA FLARE 透過支援其他架構，讓更多的應用項目能夠使用聯合學習。潛在的應用案例包含協助能源公司分析地震和井眼 (wellbore) 資料、協助製造商最佳化工廠營運，以及幫助金融公司改善詐欺偵測模型。
NVIDIA FLARE 與醫療 AI 平台進行整合
NVIDIA FLARE 可與現有的 AI 計畫進行整合，包括用於醫學影像的開源 MONAI 框架。
哈佛醫學院放射學系副教授暨 MONAI 社群聯合學習工作小組負責人 Jayashree Kalapathy 博士表示：「採用開源型態的 NVIDIA FLARE 加速聯合學習研究，這對醫療領域尤其重要，在此領域中必須取得多個機構的資料集，而擔心洩漏病患隱私一事讓我們無法分享資料。我們很高興能夠對 NVIDIA FLARE 有所貢獻，且繼續與 MONAI 整合以推動醫學影像研究的發展。」
