开放式联邦学习框架 OpenFL

May, 2021

OpenFL: An open-source framework for Federated Learning

G Anthony Reina, Alexey Gruzdev, Patrick Foley, Olga Perepelkina, Mansi Sharma...

TL;DROpen Federated Learning 是一种开源的数据私有协作学习框架，可用于训练 TensorFlow 和 PyTorch 中的机器学习算法，促进其在生产环境中的应用，同时也用于卫生组织中国际共识机器学习模型的培训。

Abstract

federated learning (FL) is a computational paradigm that enables organizations to collaborate on machine learning (ML) projects without sharing sensitive data, such as, patient records, financial data, or classif

federated learning open federated learning machine learning data privacy tensorflow

发现论文，激发创造

联邦学习的进展和开放问题

本文讨论联邦学习的最新进展和挑战，并提出了一系列开放性问题和挑战。

Dec, 2019

联邦学习的进展：模型、方法和隐私

本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

Feb, 2023

FedML：联邦机器学习研究库与基准

介绍了一个开放的研究库和基准，名为 FedML，旨在促进联邦学习算法的开发和公平性能比较，支持三种计算范例，并带有灵活和通用的 API 设计和全面的参考实现。

Jul, 2020

pfl-research：用于加速私有联邦学习研究的仿真框架

Federated learning 是一种新兴的机器学习训练范例，其通过在模拟环境中迭代实验来快速提出想法，pfl-research 是一个快速、模块化、易于使用的 Python 框架，支持 TensorFlow、PyTorch 和非神经网络模型，并与最先进的隐私算法紧密结合，研究表明它比其他开源框架快 7-72 倍，大大提高了 FL 研究社区的生产效率，同时使先前的资源密集型任务成为可能。

Apr, 2024

关于分散式联邦学习的调查

去中心化联邦学习解决方案的综述，包括现有的方法和未来的研究方向。

Aug, 2023

通过联邦学习增强隐私保护的协同信息共享 -- 以保险业为例

通过利用联邦学习来跨多个保险业数据集学习单个模型，而无需将数据集从一家公司共享到另一家公司，该报告展示了在改进索赔损失建模方面的益处。联邦学习的应用解决了有限数据量和数据多样性这两个最迫切问题，这些问题由于隐私问题、索赔事件的罕见性、缺乏信息性评级因素等造成。

Feb, 2024

EasyFL: 低代码联邦学习平台

本文介绍了一种名为 EasyFL 的低代码平台，可用于支持联邦学习方法。该平台不仅易于使用，而且具有模块化设计和简单的 API，可用于加速实验和部署。EasyFL 提供了多个功能，如模拟、全面跟踪、分布式培训优化和无缝部署，从而使联邦学习方法被更广泛地使用，并帮助提高研究人员的生产力。

May, 2021

IBM 联邦学习：企业框架白皮书 V0.1

IBM Federated Learning 提供了联邦学习的基础设施和协调，可以设计和运行联邦学习作业，从而将范围从集中式扩展到联邦机器学习，从而在最初阶段将学习曲线降至最低，同时也提供了在不同计算环境下部署和设计自定义融合算法的灵活性。

Jul, 2020

联邦学习：机遇与挑战

介绍谷歌于 2016 年首次提出的联邦学习，多个设备在中央服务器的监督下协作学习机器学习模型，可保证本地数据的隐私性和安全性，同时存在攻击风险，就此探讨了联邦学习的机会和挑战所在。

Jan, 2021

联邦学习：应用、挑战和未来方向

本文提供了关于联邦学习的概述，并重点关注医疗保健领域。通过中央协调器服务器共享全局深度学习模型，解决了隐私保护需求并探讨了联邦学习遇到的挑战和未来发展方向，其中使用多方计算、同态加密、差分隐私和随机梯度下降等多种隐私方法。

May, 2022