本文介绍了Awesome-Federated-Learning，包括Federated Learning的概念和应用。FedML是一个支持分布式计算、单机模拟和移动设备训练的开源库，提供标准化的FL算法实现。FATE是面向产业应用的联邦学习框架，适合微服务环境。此外，文章还提到了联邦迁移学习和个性化联邦学习，以应对异构性挑战。
Qiang Yang, 2019. Federated Machine Learning: Concept and Applications.
开源框架
PyTorch、TensorFlow、MXNet 中 TensorFlow-Federated（TFF）2，PySyft 和 LEAF 仅支持具有中心结构的算法，如 FedAvg 或 FedProx 算法，不适用于需要交换复杂辅助信息和自定义训练程序的算法。行业发布了面向生产的库，例如FATE 和PaddleFL，但业界主导的产品通常具有繁琐的系统设计，不灵活的API和复杂的环境设置，这对于在分布式系统开发中没有足够专业知识的算法研究人员来说是一个沉重的学习负担。
- FedML支持三种计算范例：分布式计算，单机模拟和移动设备训练。
- 标准化的 FL 算法实现。 FedML 提供了许多现有的 FL 算法的标准化实现。
- FATE，偏向产业应用
联邦学习开源框架FATE研究—入门简介（微众银行开源产品）
联邦学习开源框架FATE研究–使用PyCharm开发和调试
3281
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
