令人惊叹的联邦学习

一份精心整理的联邦学习相关资源列表，包含博客、综述、研究论文和项目等。欢迎你给它点个赞，并创建拉取请求来更新内容。

近年来，联邦学习（FL）受到了广泛关注。我们整理了这些资料，帮助你学习联邦学习，并进一步推动你的研究与项目进展。

我们将论文按照联邦学习中的挑战分为按研究领域和按会议与期刊两类。

💡 我们非常高兴开源我们的联邦学习平台 EasyFL，该平台能够让不同水平的用户无需或只需少量编码即可试验和原型化联邦学习应用。它基于我们多年的研究成果，并已被用于在顶级会议和期刊上发表多篇论文。你也可以使用它来入门联邦学习并实现自己的项目。

目录

• 令人惊叹的联邦学习
  • 论文（按会议与期刊）
  • 论文（按研究领域）
  • 通用资源
    • 博客
    • 综述
    • 基准测试
    • 视频
    • 框架
    • 公司

论文（按会议与期刊）

• 按会议划分的联邦学习论文：NeurIPS、ICML、ICLR、CVPR、ICCV、AAAI、IJCAI、ACMMM 等。
• 按期刊划分的联邦学习论文

论文（按研究领域）

• 统计异质性
• 通信效率
• 系统：联邦学习系统设计、框架、边缘人工智能等。
• 可信性：隐私、安全、公平性。
• 去中心化联邦学习
• 应用
• 垂直联邦学习
• FL + {X}：FL + 强化学习、FL + 迁移学习等。

• 来自去中心化数据的深度网络高效通信学习 [论文] [GitHub] [Google] [必读]

---

通用资源

博客

• 联邦学习漫画 [Google 博客]
• 联邦学习：无需集中式训练数据的协作式机器学习 [Google 博客]

综述

• 联邦机器学习：概念与应用 [论文]
• 联邦学习：挑战、方法与未来方向 [论文]
• 联邦学习的进展与开放问题 [论文]
• 联邦学习白皮书 V1.0 [论文]
• 联邦学习系统：数据隐私与保护的愿景、炒作与现实 [论文]
• 移动边缘网络中的联邦学习：全面综述 [论文]
• 无线通信中的联邦学习：动机、机遇与挑战 [论文]
• 联邦学习应用综述 [论文]
• 向高效的同步联邦训练迈进：系统优化策略综述 [论文]
• 异构联邦学习：现状与研究挑战 [论文]
• 医疗健康领域的联邦学习系统性综述：从数据特性和应用角度出发 [论文]
• 智慧城市的联邦学习：全面综述 [论文]

基准测试

• LEAF：联邦设置下的基准测试 [论文] [GitHub] [推荐]
• OARF 基准测试套件：联邦学习系统的特征描述及其影响 [论文]
• 通过基准分析优化联邦人员再识别性能 [论文] [ACMMM20] [GitHub]
• 联邦学习算法的性能评估 [论文]
• Edge AIBench：迈向全面的端到端边缘计算基准测试 [论文]

视频

• GDPR、数据主权与人工智能（AAAI-19）[视频]
• 联邦学习：去中心化数据上的机器学习（Google I/O'19）[YouTube]

框架

• EasyFL [Github] [论文]
• PySyft [Github]
  • 一种用于隐私保护对等学习的通用框架 [论文]
• TensorFlow Federated [官网]
• FATE [Github]
• FedLearner [Github] 字节跳动
• 百度飞桨PaddleFL [Github]
• NVIDIA Clara SDK [官网]
• Flower.dev
• OpenFL
• FEDn [Github]
  • 一种模块化且与模型无关的分层联邦机器学习框架 [论文]

公司

• FedML [官网]
• DynamoFL [官网]
• Adap [官网]: 舰队智能
• Privacy.ai [官网]
• OpenMined [官网]
• Arkhn [官网]: 医疗健康数据
• Owkin [官网]: 医学研究
• Snips [官网]: 语音平台
• XAIN [官网] [Github]: 自动化发票处理
• S20 [官网]: 多方第三方协作
• DataFleets [官网]
• 去中心化机器学习 [官网]

Awesome Federated Learning 快速上手指南

awesome-federated-learning 并非一个可直接安装的软件库或框架，而是一个精选资源列表，汇集了联邦学习（Federated Learning, FL）领域的博客、综述论文、研究论文、基准测试、开源框架及相关公司资源。

本指南旨在帮助开发者利用该列表中的资源，快速搭建联邦学习环境并开始实践。我们将以列表中推荐的 EasyFL 框架为例，演示如何从零开始进行联邦学习实验。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (推荐 Ubuntu 18.04+), macOS, 或 Windows (需 WSL2)
• Python 版本：3.7 - 3.9
• 前置依赖：
  • Git
  • PyTorch (大多数现代 FL 框架基于 PyTorch 或 TensorFlow)
  • CUDA (可选，如需使用 GPU 加速)

建议创建独立的虚拟环境以避免依赖冲突：

python3 -m venv fl-env
source fl-env/bin/activate  # Windows 用户请使用: fl-env\Scripts\activate

安装步骤

由于 awesome-federated-learning 本身是资源索引，您需要从中选择一个框架进行安装。这里以列表中重点推荐的 EasyFL 为例，它专为降低联邦学习门槛设计，支持少量代码甚至无代码原型开发。

1. 克隆 EasyFL 项目

git clone https://github.com/EasyFL-AI/EasyFL.git
cd EasyFL

2. 安装依赖

国内开发者推荐使用清华源或阿里源加速 Python 包下载：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

若需完整功能（包含某些特定数据集或扩展），可安装完整版：

pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple

提示：如果您想探索其他框架（如 PySyft, FATE, Flower 等），请访问 awesome-federated-learning 仓库中的 Frameworks 章节获取对应的安装指令。

基本使用

以下是一个使用 EasyFL 运行最简单的联邦学习示例（基于 MNIST 数据集的 FedAvg 算法）。

1. 准备配置文件

EasyFL 通过配置文件定义任务。在项目根目录下，通常已有示例配置。若无，可创建一个 config.yaml：

task: classification
dataset: mnist
model: lenet
algorithm: fedavg
num_clients: 10
rounds: 5
local_epochs: 1
batch_size: 64
learning_rate: 0.01

2. 运行训练脚本

在项目根目录执行以下命令启动联邦训练：

python train.py --config config.yaml

3. 查看结果

训练完成后，终端将输出每轮的全局模型准确率。日志和模型权重通常保存在 output/ 或 checkpoints/ 目录中。

---

进阶学习路径：

• 阅读综述：访问仓库中的 Survey 部分，阅读《Federated Machine Learning: Concept and Applications》等经典论文建立理论体系。
• 研究细分领域：根据您的兴趣（如通信效率、隐私安全、异构数据等），查阅 Paper (By research area) 分类下的最新成果。
• 基准测试：使用 LEAF 基准数据集评估您的算法性能。