机器学习框架_【帮推】FedML联邦机器学习框架开源!

Federated Learning （联邦学习） 是机器学习领域中快速发展的研究领域。尽管已经进行了大量的研究工作，但是现有的软件框架不能充分支持多样化的算法开发（例如，多样化的拓扑和灵活的消息交换），并且实验中不一致的数据集和模型使用使公平的比较变得困难。

近日，美国南加州大学USC联合MIT、Stanford、MSU、UW-Madison、UIUC以及腾讯、微众银行等众多高校与公司联合发布了FedML联邦学习开源框架。 FedML是一个开放的研究库和基准，可促进新的联合学习算法的开发和公平的性能比较。

FedML支持三种计算范例，以便用户在不同的系统环境中进行实验：

• 分布式训练
• 移动设备训练
• 独立仿真

FedML还通过灵活且通用的API设计和参考基准实现促进了各种算法研究。针对非I.I.D设置的精选且全面的基准数据集旨在进行公平的比较。相信FedML可以为联合学习研究社区提供开发和评估算法的有效且可重复的手段。

FedML团队欢迎研究人员或工程师使用FedML库，并随时反馈不恰当的设计。更多信息大家可以查阅以下资料：

• FedML Homepage: https://fedml.ai
• FedML White Paper: https://arxiv.org/abs/2007.13518
• FedML GitHub: https://github.com/FedML-AI/FedML
• FedML Video Tutorial: https://www.bilibili.com/video/BV1jK411N7gS/ (B站)

FedML由一群对联合学习研究充满热情的研究人员和专家工程师维护。今年，FedML的作者在机器学习顶会NeurIPS 2020上发表了7篇论文(https://github.com/FedML-AI/FedML/blob/master/publications.md) 足见其学术水准。

该项目的Technical Lead何朝阳目前在美国南加州大学攻读博士学位，主攻机器学习算法与模型方向，之前他在业界有丰富的分布式系统与移动研发研发经验，目前他的学术指导老师包括毕业于UC Bekerley现就职于USC的Salman Avestimehr教授，以及来自于香港港科大学的张潼教授。

另外，FedML团队也正在招募开源志愿者，也邀请研究人员加入该开源项目。学生或研究人员不仅可以在机器学习算法和模型的开发中获得经验，而且可以发现新的研究思路。如果您想讨论潜在的开源贡献或研究合作，请发送电子邮件至chaoyang.he@usc.edu

最后，FedML官方提供了视频讲解，帮助大家快速熟悉FedML：

微信公众号：AutoML机器学习

MARSGGBO♥原创如有意合作或学术讨论欢迎私戳联系~邮箱:marsggbo@foxmail.com 2020-10-07