联邦学习入门

Awesome-Federated-Learning

Qiang Yang, 2019. Federated Machine Learning: Concept and Applications.

开源框架

• fedml，
  FedML: A Research Library and Benchmark for Federated Machine Learning
  网文介绍
  github源码

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

联邦迁移学习

联邦学习 OR 迁移学习？No，我们需要联邦迁移学习

个性化联邦学习

当传统联邦学习面临异构性挑战，不妨尝试这些个性化联邦学习算法

最后

以上就是活力太阳为你收集整理的联邦学习入门的全部内容，希望文章能够帮你解决联邦学习入门所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。