federated
federated 是谷歌推出的一系列开源研究项目集合，专注于联邦学习（Federated Learning）与联邦分析（Federated Analytics）领域。它旨在解决数据隐私保护与模型训练之间的矛盾：允许在数据保留于用户本地设备的前提下，协同训练全局机器学习模型或对分散数据进行统计分析，从而避免原始数据上传云端带来的隐私风险。
该项目主要面向人工智能研究人员和高级开发者，特别是那些希望复现前沿论文实验结果、探索去中心化数据计算场景的群体。federated 并非一个开箱即用的通用软件包，而是提供了大量基于 TensorFlow Federated (TFF) 框架的实验性代码库。其独特亮点在于紧密依托 TFF 生态，为模拟分布式环境下的机器学习提供了丰富的参考实现和工具函数（如 utils 模块），帮助研究者快速验证算法在异构数据和个性化场景下的表现。
需要注意的是，federated 的定位更偏向学术研究而非生产级应用，代码接口可能随研究进展而调整。因此，它最适合用于学术复现、算法原型验证以及深入理解联邦优化机制，普通用户或非技术背景的设计师可能较难直接上手使用。
使用场景
某大型医疗联盟希望联合多家医院的数据训练癌症筛查模型，但受限于患者隐私法规和数据主权要求，原始病历无法出院共享。
没有 federated 时
- 数据孤岛严重：各医院因合规顾虑拒绝上传数据，导致只能利用单家医院的小样本训练，模型泛化能力极差。
- 隐私泄露风险高：若强行集中数据，需耗费巨资进行脱敏处理，且仍存在重识别攻击导致患者隐私泄露的隐患。
- 协作流程冗长：跨机构数据调拨需经过漫长的法律审批和行政协调，算法迭代周期从数周拉长至数月。
- 实验复现困难：缺乏统一的联邦学习仿真框架，研究人员难以在本地模拟分布式环境，论文成果无法快速验证。
使用 federated 后
- 数据不出域训练：利用 federated 中的项目代码，模型下发至各医院本地更新，仅上传加密参数，彻底规避原始数据移动。
- 原生隐私保护：基于 TensorFlow Federated (TFF) 架构，天然支持差分隐私等机制，在数学层面保障单个患者信息不可推断。
- 高效敏捷迭代：研究人员可直接
git clone仓库并在本地用 Bazel 运行仿真，将原本数月的跨机构协调缩短为几天的代码调试。 - 学术成果落地：直接复用仓库中已复现的顶尖论文实验配置，快速构建针对异构医疗数据的基准测试，加速科研转化。
federated 通过提供可复现的研究项目集合，打破了数据物理隔离的壁垒，让多方在严守隐私红线的前提下实现了高质量的协同智能。
运行环境要求
未说明
未说明
快速开始
联邦研究
联邦研究是一个包含与 联邦学习 和 联邦分析 相关的研究项目的集合。
联邦学习是一种机器学习方法，其中共享的全局模型是在众多参与客户端上进行训练的，这些客户端将其训练数据保留在本地。联邦分析则是将数据科学方法应用于存储在用户设备本地的原始数据分析的做法。
本仓库中的许多项目都使用了 TensorFlow Federated (TFF)，这是一个用于在去中心化数据上进行机器学习及其他计算的开源框架。有关 TFF 的概述和入门，请参阅 教程列表。 如需了解如何将 TFF 用于科研，请参阅 TFF 用于科研。
推荐用法
本仓库的主要用途是复现相关论文中的实验结果。此处的任何项目（或子文件夹）均不旨在作为可重用的框架或软件包。
- 建议的使用方式是通过
git clone克隆本仓库，并按照每个独立项目中的说明运行代码，通常使用bazel工具链。
本仓库中有一个名为 utils/ 的特殊模块，被广泛用作各个项目依赖的一部分。utils/ 中的部分函数正在逐步合并到
TFF 包 中。然而，utils/ 并不保证其 API 的稳定性，代码随时可能发生变化。
- 对于
utils/的推荐用法是：针对您的研究项目，将所需部分代码 fork 到您自己的仓库中。 - 如果您认为
utils/或其他项目可以作为您希望依赖的模块（并愿意承担依赖于可能不稳定且不受支持的代码的风险），则可以使用git submodule将该模块添加到您的 Python 路径中。
贡献
本仓库包含与联邦学习和联邦分析相关的谷歌内部研究项目。如果您正与谷歌的合作者一起工作，并希望在此处展示您的研究项目，请查阅 贡献指南，了解代码风格、最佳实践等内容。
拉取请求
我们目前不接受针对本仓库的拉取请求。如果您有功能需求或遇到问题，请向项目负责人提交 issue。
问题
请使用 GitHub issues 与项目负责人沟通需求和 bug。请在 issue 标题中添加 [项目/文件夹名称]，以便我们能够快速找到合适的响应人员。
问答
如果您对 TensorFlow Federated 有任何疑问，请前往 Stack Overflow 使用 tensorflow-federated 标签提问。
如果您想了解更多关于联邦学习的信息，请参阅以下 联邦学习简介。 如需更深入的讨论，请参考以下文献：
- 联邦学习的进展与开放问题，探讨联邦学习的最新进展及未解决的问题。
- 联邦优化实战指南，介绍实际应用中的注意事项以及仿真和实验的指导原则。
- Motley：联邦学习中的异构性与个性化基准测试，聚焦于个性化研究。
- 如何为机器学习引入差分隐私：基于差分隐私的机器学习实用指南，介绍差分隐私技术的应用。
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。