联邦学习开源框架方案选型

最新推荐文章于 2025-04-02 11:10:35 发布
最新推荐文章于 2025-04-02 11:10:35 发布
阅读量1.4k 收藏 6
点赞数
文章标签： 开源 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/fishmai/article/details/126903150
版权
本文对比了多个联邦学习开源框架，包括FATE、PySyft、Rosetta、PaddleFL、FedLearner、TFF、FedML和Flower。每个框架的特点、所属单位、GitHub链接及主要功能被详细阐述，帮助开发者了解它们的适用场景和优缺点。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

无知者：【联邦学习开源框架】FedLab - 加速FL算法验证

联邦学习开源框架FedLab相关

FATE

单位：微众银行

github: https://github.com/FederatedAI/FATE star：3.2k

docs：https://github.com/FederatedAI/FATE/blob/master/doc/develop_guide_zh.rst

概述：FATE (Federated AI Technology Enabler) 是微众银行AI部门发起的开源项目，为联邦学习生态系统提供了可靠的安全计算框架。FATE项目使用多方安全计算 (MPC) 以及同态加密 (HE) 技术构建底层安全计算协议，以此支持不同种类的机器学习的安全计算，包括逻辑回归、基于树的算法、深度学习和迁移学习等。

功能：全面，同时覆盖横向、纵向、迁移联邦学习，包含联邦学习的整体流程；实现了样本安全匹配，样本切分（1.5版本），特征处理和筛选、LR/XGB/DNN等常用算法，模型评估与评分卡，模型预测（serving），联邦推荐等。

易用：一般；虽然文档很丰富，但是难抵配置多；cluster模式下配置很多，各种端口，；又因为期望兼容多种后端存储和计算，导致依赖较多，系统整体比较重，前期部署较困难；而且python、java、scala等多种语言混合在同一项目，上手相对不容易，排查问题更是头疼。不过，使用docker化部署会比本

最低0.47元/天 解锁文章
麦晓宇
关注
神经网络和算力共享结合：基于深度学习的算力资源智能分配机制；一种支持跨云、跨边缘计算平台的协同训练框架；模型自适应优化策略
ZJQ的博客
07-07 4万+
神经网络和算力共享结合：基于深度学习的算力资源智能分配机制；一种支持跨云、跨边缘计算平台的协同训练框架；模型自适应优化策略
TFF_联邦_谷歌-联邦学习开源框架_
10-02
这是一款基于谷歌tensorflow的一款联邦学习框架，基于Ubuntu操作系统，适合初学者对学习框架的原理学习和项目入手。
联邦学习开源框架
chen695539389的博客
07-08 3360
来源：https://zhuanlan.zhihu.com/p/387101962 FATE 单位：微众银行 github: https://github.com/FederatedAI/FATE star：3.2k docs：https://github.com/FederatedAI/FATE/blob/master/doc/develop_guide_zh.rst 概述：FATE (Federated AI Technology Enabler) 是微众银行AI部门发起的开源项目，为联邦学习生态系统提
OpenFL: 开源联邦学习框架使用教程
gitblog_00908的博客
04-02 602
OpenFL: 开源联邦学习框架使用教程 openfl An open framework for Federated Learning. 项目地址: https://gitcode.com/gh_mirrors/ope/open...
联邦学习开源框架简介
weixin_40798471的博客
12-21 1943
0、FATE平台 该平台是微众银行开发的，是全球第一个联邦学习工业级开源框架。不管是对初级人门者，还是联邦学习产品级系统的开发人员，FATE都是一个非常合适的选择。相比于利用Python从零开发，FATE提供了完善的建模工具，构建联邦学习模型简单方便，用户不需要了解太多的底层细节就可以实现联邦学习，非常适合开发工业级的联邦学习产品。 1、TensorFlow-Federated（TFF） 主要用于横向联邦学习场景，特别是针对安卓移动终端。借助TFF, 开发人员能够在多个参与客户端之间训练共享全局模型。
联邦学习框架--Syft框架
qq_56406979的博客
07-05 2150
syft是一个隐私保护的深度学习框架，核心的操作基于命令链和tensor。支持FL、MPC和差分隐私DP。PySyft是用于安全和隐私深度学习的Python库，它在主流深度学习框架（例如PyTorch和TensorFlow）中使用联邦学习，差分隐私和加密计算（例如多方计算（MPC）和同态加密（HE））将隐私数据与模型训练分离。
达摩院发布联邦学习框架 FederatedScope（开源）
云布道师
05-09 961
5月5日，阿里巴巴达摩院发布新型联邦学习框架 FederatedScope，并面向全球开发者开源。该框架支持大规模、高效率的联邦学习异步训练，能兼容不同设备运行环境，且提供丰富功能模块，大幅降低了隐私保护计算技术开发与部署难度。 我们先来厘清一个概念：什么是联邦学习？ 联邦学习核心理念是“数据不动模型动”，其通过用户数据不出本地的方式完成云端模型训练，实现了“数据可用不可见”，成为隐私保护计算主流技术之一。 然而，随着应用隐私保护计算的场景和行业日趋多元，涉及的数据类型日趋丰富，已有联邦学习框架难以灵活.
谁在偷看你的数据？联邦学习与差分隐私的安全真相
努力分享一些人工智能相关的知识干货！
03-28 2882
在AI模型迈向边缘化、个性化、行业化的道路上，“看似安全”的机制本身也可能是隐私泄漏的载体。联邦学习需要的不只是“数据不出本地”，而是“梯度不泄私密”；差分隐私的强度不能靠“ε越小越好”来简单决策；真正的安全，是机制 + 工程 +监控 + 法规 的立体博弈。模型不是隐私的替代者，而是隐私博弈的核心棋子。
【异常行为检测】多领域应用场景解析及商用与开源产品选型指南：覆盖网络安全、金融风控、公共安全等
最新发布
05-06
其次，在金融风控与反欺诈领域，针对信用卡欺诈、非法集资识别等问题，列出联邦学习企业检测平台、PyOD等解决方案。公共安全与城市治理部分则聚焦于人群聚集预警、交通违规识别，提及讯维AI视频分析系统、OpenCV+...
联邦学习在腾讯微视广告投放中的实践
Tencent_BigData的博客
09-06 1447
分享人：宋凯 博士 整理者：林宜蓁 导读: 本文从广告主的角度，分享联邦学习实践的经验跟思考。 先介绍业务与技术选型背景：团队项目为用户增长及成本控制，方式为广告渠道投放，投放目标分为拉新、拉活两类。 拉新时，微视侧端内用户特征稀疏，而广告平台积累大量信息，但仅有有限性的oCPX标准化数据回传。 拉活时，微视侧具备用户行为序列等宝贵画像数据，与广告平台特征有互补性，但又无法直接粗暴的与广告平台共享数据。 所以，希望微视侧能与广告平台侧利用双方数据，实现收益共赢，但保证数据..
联邦学习开源框架FATE
热门推荐
培根芝士的专栏
11-25 1万+
FATE (Federated AI Technology Enabler) 是微众银行AI部门发起的全球首个联邦学习工业级开源框架，可以让企业和机构在保护数据安全和数据隐私的前提下进行数据协作。 FATE项目使用多方安全计算 (MPC) 以及同态加密 (HE) 技术构建底层安全计算协议，以此支持不同种类的机器学习的安全计算，包括逻辑回归、基于树的算法、深度学习和迁移学习等。 FATE于2019年2月首次对外开源，并于2019年6月由微众银行捐献给Linux基金会，并成立 FATE TSC 对FATE社.
联邦学习的学习框架和产品介绍
runqu的博客
03-28 2140
联邦学习的框架可以保护数据隐私，因为原始数据不需要离开参与者的本地环境，只有模型的更新参数才会共享。联邦计算是一种保护数据隐私的计算模型，它可以在多个数据持有者之间进行计算，同时保护每个数据持有者的数据隐私。Differential Privacy（差分隐私）：这是一种隐私保护技术，通过添加噪音来保护个体数据，在联邦学习中可以用来保护模型训练过程中的数据隐私。总的来说，联邦学习的产品和解决方案主要集中在数据隐私和安全性方面，旨在帮助组织合理利用分散数据进行机器学习和分析，同时保护个体和组织的数据隐私。
开源项目推荐：联邦学习模块化框架
gitblog_01028的博客
01-08 691
开源项目推荐：联邦学习模块化框架 async-FL 一个万用联邦学习框架，自由切换线程和进程模式。A universal federated learning framework, free to switch thread and process modes ...
联邦学习综述（二）——联邦学习的分类、框架及未来研究方向
IST-CTO
07-24 1万+
前两章对联邦学习的定义并没有讨论如何具体地设计一种联邦学习的实施方案。在实际中，孤岛数据具有不同分布特点，根据这些特点，我们可以提出相对应的联邦学习方案。
联邦学习：FedProx框架
weixin_51306020的博客
08-13 6881
联邦学习不同于传统的分布式优化的两个关键挑战:高度的系统和统计异构性。引入了一个框架，FedProx以解决异构性难题（统计异构 系统异构）。FedProx可以看作是FedAvg的泛化、重构。对于非独立分布(统计异质性)的训练数据，框架提供收敛性保证（统计异构）；允许每个参与的设备执行可变数量的工作(系统异构性)来遵守设备级系统约束。FedProx在一组真实的联邦数据集上比FedAvg更健壮的收敛。特别是，在高度异构的环境下，FedProx表现出比FedAvg更稳定和准确的收敛行为。...
联邦学习框架和数据隐私综述
baidu_41553551的博客
10-29 4187
联邦学习。
联邦学习：MOCHA框架
weixin_51306020的博客
08-12 3221
MOCHA主要是为了解决联邦学习中的系统难题和统计难题而提出的联邦学习框架。 MTL（多任务学习）通过学习每个节点的独立模型，利用任意的凸损失函数为每个节点训练出独立的权重向量。并且考虑节点模型间的相关性来解决联邦环境中的统计难题，并且提升样本容量，但是目前的MTL难以解决系统难题。 在集中环境分布式多任务训练模型CoCoA的基础上进行改进，本文提出联邦多任务学习框架MOCHA，为模型参数W开发有效的分布式优化更新方法。...
联邦学习框架浅析
Hyperchain的博客
09-17 2245
【前言】 ▲ 联邦学习问题回顾 前文提及，于2016年，Google提出了用于训练输入法模型的新型方式，称为「联邦学习」。随着时间的推移，联邦学习不再是单纯解决Google输入法模型的一种解决方案，进而形成了一种新型的学习模式。联邦学习解决的问题通常被称为TMMPP–Training Machine Learning Models over multiple data sources with Privacy，即在保证多方参与者的数据不泄露的情况下，共同完成预定模型的训练。 在联邦学习解决的TMMPP问题中
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值