[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-weimingwill--awesome-federated-learning":3,"tool-weimingwill--awesome-federated-learning":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",144730,2,"2026-04-07T23:26:32",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":75,"owner_location":76,"owner_email":75,"owner_twitter":75,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":113,"updated_at":114,"faqs":115,"releases":116},5364,"weimingwill\u002Fawesome-federated-learning","awesome-federated-learning","All materials you need for Federated Learning:  blogs, videos, papers, and softwares, etc.","awesome-federated-learning 是一个专为联邦学习领域打造的精选资源库，旨在汇集该方向所需的核心资料，包括博客文章、教学视频、前沿论文、开源软件及行业白皮书等。随着数据隐私保护日益重要，联邦学习允许在不共享原始数据的前提下协同训练模型，但初学者和研究者往往面临资料分散、难以系统入门的痛点。这份清单通过结构化整理，有效解决了信息检索困难的问题，帮助用户快速构建知识体系。\n\n该资源库特别适合人工智能研究人员、算法工程师以及对隐私计算感兴趣的学生使用。其独特亮点在于不仅按顶会期刊分类论文，还细致地按照“统计异构性”、“通信效率”、“系统架构”和“可信度”等具体研究挑战进行归类，极大提升了文献调研效率。此外，项目团队还开源了配套的 EasyFL 平台，支持低代码甚至无代码进行联邦学习原型开发，让不同技术背景的用户都能轻松上手实验。无论你是希望追踪最新学术动态，还是打算落地实际项目，awesome-federated-learning 都能提供坚实的资源支撑。","[![Maintenance](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FMaintained%3F-YES-green.svg)](https:\u002F\u002Fgithub.com\u002Fweimingwill\u002Fawesome-federeated-learning\u002Fgraphs\u002Fcommit-activity)\n[![Last Commit](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002Fweimingwill\u002Fawesome-federeated-learning.svg)](https:\u002F\u002Fgithub.com\u002Fweimingwill\u002Fawesome-federeated-learning\u002Fcommits\u002Fmaster)\n[![Ask Me Anything !](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FAsk%20me-anything-1abc9c.svg)](https:\u002F\u002FGitHub.com\u002FNaereen\u002Fama)\n[![Awesome](https:\u002F\u002Fawesome.re\u002Fbadge.svg)](https:\u002F\u002Fawesome.re)\n[![GitHub license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fweimingwill\u002Fawesome-federeated-learning.svg?color=blue)](https:\u002F\u002Fgithub.com\u002Fweimingwill\u002Fawesome-federeated-learning\u002Fblob\u002Fmaster\u002FLICENSE)\n\n# Awesome Federated Learning\n\nA curated list of materials for federated learning, including blogs, surveys, research papers, and projects. You are very welcome to star it and create a pull request to update it.\n\nFederated learning (FL) is attracting considerable attention these years. We organize these materials for you to learn federated learning and further facilitate your research and projects. \n\nWe organize the papers by [research areas](#paper-by-research-area) for challenges in FL and by [conferences and journals](#paper-by-conference-and-journal). \n\n💡 We are thrilled to open-source our federated learning platform, [EasyFL](https:\u002F\u002Fgithub.com\u002FEasyFL-AI\u002FEasyFL), to enable users with various levels of expertise to experiment and prototype FL applications with little\u002Fno coding. It is based on our years of research and we have used it to publish numerous papers in top-tier conferences and journals. You can also use it to get started with federated learning and implement your projects.\n\n## Table of Content\n\n- [Awesome Federated Learning](#awesome-federated-learning)\n  - [Paper (By conference and journal)](#paper-by-conference-and-journal)\n  - [Paper (By research area)](#paper-by-research-area)\n  - [General Resources](#general-resources)\n    - [Blogs](#blogs)\n    - [Survey](#survey)\n    - [Benchmarks](#benchmarks)\n    - [Video](#video)\n    - [Frameworks](#frameworks)\n    - [Company](#company)\n\n## Paper (By conference and journal)\n\n- [Federated learning paper by conferences](conferences.md): NeurIPS, ICML, ICLR, CVPR, ICCV, AAAI, IJCAI, ACMMM, etc.\n- [Federated learning paper by journal](journals.md)\n\n## Paper (By research area)\n\n- [Statistical Heterogeneity](.\u002Fareas\u002Fstatistical-heterogeneity.md)\n- [Communication Efficiency](.\u002Fareas\u002Fcommunication-efficiency.md)\n- [System](.\u002Fareas\u002Fsystem.md): federated learning system design, frameworks, edge AI, etc.\n- [Trustworthiness](.\u002Fareas\u002Ftrustworthiness.md): privacy, security, fairness\n- [Decentralized FL](.\u002Fareas\u002Fdecentralized-fl.md)\n- [Applications](.\u002Fareas\u002Fapplications.md)\n- [Vertical FL](.\u002Fareas\u002Fvertical-fl.md)\n- [FL + {X}](.\u002Fareas\u002Ffl+x-learning.md): FL + reinforcement learning, FL + transfer learning, etc. \n\n* **Communication-Efficient Learning of Deep Networks from Decentralized Data** [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1602.05629) [[Github]](https:\u002F\u002Fgithub.com\u002Froxanneluo\u002FFederated-Learning) [Google] **[Must Read]**\n\n---\n\n## General Resources\n\n### Blogs\n\n* Federated Learning Comic [[Google Blog]](https:\u002F\u002Ffederated.withgoogle.com\u002F)\n* Federated Learning: Collaborative Machine Learning without Centralized Training Data [[Google Blog]](http:\u002F\u002Fai.googleblog.com\u002F2017\u002F04\u002Ffederated-learning-collaborative.html)\n\n\n### Survey\n\n* **Federated Machine Learning: Concept and Applications** [[Paper]](https:\u002F\u002Fdl.acm.org\u002Fcitation.cfm?id=3298981)\n* **Federated Learning: Challenges, Methods, and Future Directions** [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.07873)\n* **Advances and Open Problems in Federated Learning** [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1912.04977)\n* Federated Learning White Paper V1.0 [[Paper]](https:\u002F\u002Fwww.fedai.org\u002Fstatic\u002Fflwp-en.pdf)\n* Federated Learning Systems: Vision, Hype and Reality for Data Privacy and Protection [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1907.09693)\n* Federated Learning in Mobile Edge Networks: A Comprehensive Survey [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.11875)\n* Federated Learning for Wireless Communications: Motivation, Opportunities and Challenges [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.06847)\n* A Review of Applications in Federated Learning [[Paper]](https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS0360835220305532)\n* Towards Efficient Synchronous Federated Training: A Survey on System Optimization Strategies [[Paper]](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F9780218)\n* Heterogeneous Federated Learning: State-of-the-art and Research Challenges [[Paper]](https:\u002F\u002Fdl.acm.org\u002Fdoi\u002F10.1145\u002F3625558)\n* A Systematic Review of Federated Learning in the Healthcare Area: From the Perspective of Data Properties and Applications [[Paper]](https:\u002F\u002Fwww.mdpi.com\u002F2076-3417\u002F11\u002F23\u002F11191)\n* Federated learning for smart cities: A comprehensive survey [[Paper]](https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS2213138822010359)\n\n\n\n### Benchmarks\n\n* LEAF: A Benchmark for Federated Settings [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1812.01097) [[Github]](https:\u002F\u002Fgithub.com\u002FTalwalkarLab\u002Fleaf) [Recommend]\n* The OARF Benchmark Suite: Characterization and Implications for Federated Learning Systems [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.07856)\n* Performance Optimization for Federated Person Re-identification via Benchmark Analysis [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2008.11560) [ACMMM20] [[Github]](https:\u002F\u002Fgithub.com\u002Fcap-ntu\u002FFedReID)\n* A Performance Evaluation of Federated Learning Algorithms [[Paper]](https:\u002F\u002Fwww.researchgate.net\u002Fprofile\u002FGregor_Ulm\u002Fpublication\u002F329106719_A_Performance_Evaluation_of_Federated_Learning_Algorithms\u002Flinks\u002F5c0fabcfa6fdcc494febf907\u002FA-Performance-Evaluation-of-Federated-Learning-Algorithms.pdf)\n* Edge AIBench: Towards Comprehensive End-to-end Edge Computing Benchmarking [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.01924)\n\n### Video\n\n* GDPR, Data Shotrage and AI (AAAI-19) [[Video]](https:\u002F\u002Faaai.org\u002FConferences\u002FAAAI-19\u002Finvited-speakers\u002F#yang)\n* Federated Learning: Machine Learning on Decentralized Data (Google I\u002FO'19) [[Youtube]](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=89BGjQYA0uE)\n\n### Frameworks\n\n* EasyFL [[Github]](https:\u002F\u002Fgithub.com\u002FEasyFL-AI\u002FEasyFL) [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2105.07603)\n* PySyft [[Github]](https:\u002F\u002Fgithub.com\u002FOpenMined\u002FPySyft)\n  * A Generic Framework for Privacy Preserving Peep Pearning [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1811.04017)\n* Tensorflow Federated [[Web]](https:\u002F\u002Fwww.tensorflow.org\u002Ffederated)\n* FATE [[Github]](https:\u002F\u002Fgithub.com\u002FFederatedAI\u002FFATE)\n* FedLearner [[Github]](https:\u002F\u002Fgithub.com\u002Fbytedance\u002Ffedlearner) ByteDance\n* Baidu PaddleFL [[Github]](https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddleFL)\n* Nvidia Clara SDK [[Web]](https:\u002F\u002Fdeveloper.nvidia.com\u002Fclara)\n* [Flower.dev](https:\u002F\u002Fflower.dev\u002F)\n* [OpenFL](https:\u002F\u002Fgithub.com\u002Fintel\u002Fopenfl)\n* [FEDn](https:\u002F\u002Fscaleoutsystems.github.io\u002Ffedn\u002F) [[Github]](https:\u002F\u002Fgithub.com\u002Fscaleoutsystems\u002Ffedn)\n  * A modular and model agnostic framework for hierarchical federated machine learning [[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2103.00148)\n\n\n### Company\n\n* FedML [[Website]](https:\u002F\u002Ffedml.ai\u002F)\n* DynamoFL [[Website]](https:\u002F\u002Fwww.dynamofl.com\u002F)\n* Adap [[Website]](https:\u002F\u002Fadap.com\u002F): Fleet Intelligence\n* Privacy.ai [[Website]](https:\u002F\u002Fprivacy.ai\u002F)\n* OpenMined [[Website]](https:\u002F\u002Fwww.openmined.org\u002F)\n* Arkhn [[Website]](https:\u002F\u002Farkhn.org\u002Fen\u002F): Healthcare data\n* Owkin [[Website]](https:\u002F\u002Fowkin.com\u002F): Medical research\n* Snips [[Website]](https:\u002F\u002Fsnips.ai\u002F): Voice platform\n* XAIN [[Website]](https:\u002F\u002Fwww.xain.io\u002F) [[Github]](https:\u002F\u002Fgithub.com\u002Fxainag\u002Fxain-fl): Automated Invoicing\n* S20 [[Website]](https:\u002F\u002Fwww.s20.ai\u002F): Multiple third party collaboration\n* DataFleets [[Website]](https:\u002F\u002Fwww.datafleets.com\u002F)\n* Decentralized Machine Learning [[Website]](https:\u002F\u002Fdecentralizedml.com\u002F)\n","[![维护中](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FMaintained%3F-YES-green.svg)](https:\u002F\u002Fgithub.com\u002Fweimingwill\u002Fawesome-federeated-learning\u002Fgraphs\u002Fcommit-activity)\n[![最近一次提交](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002Fweimingwill\u002Fawesome-federeated-learning.svg)](https:\u002F\u002Fgithub.com\u002Fweimingwill\u002Fawesome-federeated-learning\u002Fcommits\u002Fmaster)\n[![有问必答！](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FAsk%20me-anything-1abc9c.svg)](https:\u002F\u002FGitHub.com\u002FNaereen\u002Fama)\n[![Awesome](https:\u002F\u002Fawesome.re\u002Fbadge.svg)](https:\u002F\u002Fawesome.re)\n[![GitHub许可证](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fweimingwill\u002Fawesome-federeated-learning.svg?color=blue)](https:\u002F\u002Fgithub.com\u002Fweimingwill\u002Fawesome-federeated-learning\u002Fblob\u002Fmaster\u002FLICENSE)\n\n# 令人惊叹的联邦学习\n\n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。\n\n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。\n\n我们将论文按照联邦学习中的挑战分为[按研究领域](#paper-by-research-area)和[按会议与期刊](#paper-by-conference-and-journal)两类。\n\n💡 我们非常高兴开源我们的联邦学习平台 [EasyFL](https:\u002F\u002Fgithub.com\u002FEasyFL-AI\u002FEasyFL)，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。\n\n## 目录\n\n- [令人惊叹的联邦学习](#awesome-federated-learning)\n  - [论文（按会议与期刊）](#paper-by-conference-and-journal)\n  - [论文（按研究领域）](#paper-by-research-area)\n  - [通用资源](#general-resources)\n    - [博客](#blogs)\n    - [综述](#survey)\n    - [基准测试](#benchmarks)\n    - [视频](#video)\n    - [框架](#frameworks)\n    - [公司](#company)\n\n## 论文（按会议与期刊）\n\n- [按会议划分的联邦学习论文](conferences.md)：NeurIPS、ICML、ICLR、CVPR、ICCV、AAAI、IJCAI、ACMMM 等。\n- [按期刊划分的联邦学习论文](journals.md)\n\n## 论文（按研究领域）\n\n- [统计异质性](.\u002Fareas\u002Fstatistical-heterogeneity.md)\n- [通信效率](.\u002Fareas\u002Fcommunication-efficiency.md)\n- [系统](.\u002Fareas\u002Fsystem.md)：联邦学习系统设计、框架、边缘人工智能等。\n- [可信性](.\u002Fareas\u002Ftrustworthiness.md)：隐私、安全、公平性。\n- [去中心化联邦学习](.\u002Fareas\u002Fdecentralized-fl.md)\n- [应用](.\u002Fareas\u002Fapplications.md)\n- [垂直联邦学习](.\u002Fareas\u002Fvertical-fl.md)\n- [FL + {X}](.\u002Fareas\u002Ffl+x-learning.md)：FL + 强化学习、FL + 迁移学习等。\n\n* **来自去中心化数据的深度网络高效通信学习** [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1602.05629) [[GitHub]](https:\u002F\u002Fgithub.com\u002Froxanneluo\u002FFederated-Learning) [Google] **[必读]**\n\n---\n\n## 通用资源\n\n### 博客\n\n* 联邦学习漫画 [[Google 博客]](https:\u002F\u002Ffederated.withgoogle.com\u002F)\n* 联邦学习：无需集中式训练数据的协作式机器学习 [[Google 博客]](http:\u002F\u002Fai.googleblog.com\u002F2017\u002F04\u002Ffederated-learning-collaborative.html)\n\n\n### 综述\n\n* **联邦机器学习：概念与应用** [[论文]](https:\u002F\u002Fdl.acm.org\u002Fcitation.cfm?id=3298981)\n* **联邦学习：挑战、方法与未来方向** [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.07873)\n* **联邦学习的进展与开放问题** [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1912.04977)\n* 联邦学习白皮书 V1.0 [[论文]](https:\u002F\u002Fwww.fedai.org\u002Fstatic\u002Fflwp-en.pdf)\n* 联邦学习系统：数据隐私与保护的愿景、炒作与现实 [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1907.09693)\n* 移动边缘网络中的联邦学习：全面综述 [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.11875)\n* 无线通信中的联邦学习：动机、机遇与挑战 [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.06847)\n* 联邦学习应用综述 [[论文]](https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS0360835220305532)\n* 向高效的同步联邦训练迈进：系统优化策略综述 [[论文]](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F9780218)\n* 异构联邦学习：现状与研究挑战 [[论文]](https:\u002F\u002Fdl.acm.org\u002Fdoi\u002F10.1145\u002F3625558)\n* 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]](https:\u002F\u002Fwww.mdpi.com\u002F2076-3417\u002F11\u002F23\u002F11191)\n* 智慧城市的联邦学习：全面综述 [[论文]](https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS2213138822010359)\n\n\n\n### 基准测试\n\n* LEAF：联邦设置下的基准测试 [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1812.01097) [[GitHub]](https:\u002F\u002Fgithub.com\u002FTalwalkarLab\u002Fleaf) [推荐]\n* OARF 基准测试套件：联邦学习系统的特征描述及其影响 [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.07856)\n* 通过基准分析优化联邦人员再识别性能 [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2008.11560) [ACMMM20] [[GitHub]](https:\u002F\u002Fgithub.com\u002Fcap-ntu\u002FFedReID)\n* 联邦学习算法的性能评估 [[论文]](https:\u002F\u002Fwww.researchgate.net\u002Fprofile\u002FGregor_Ulm\u002Fpublication\u002F329106719_A_Performance_Evaluation_of_Federated_Learning_Algorithms\u002Flinks\u002F5c0fabcfa6fdcc494febf907\u002FA-Performance-Evaluation-of-Federated-Learning-Algorithms.pdf)\n* Edge AIBench：迈向全面的端到端边缘计算基准测试 [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.01924)\n\n### 视频\n\n* GDPR、数据主权与人工智能（AAAI-19）[[视频]](https:\u002F\u002Faaai.org\u002FConferences\u002FAAAI-19\u002Finvited-speakers\u002F#yang)\n* 联邦学习：去中心化数据上的机器学习（Google I\u002FO'19）[[YouTube]](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=89BGjQYA0uE)\n\n### 框架\n\n* EasyFL [[Github]](https:\u002F\u002Fgithub.com\u002FEasyFL-AI\u002FEasyFL) [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2105.07603)\n* PySyft [[Github]](https:\u002F\u002Fgithub.com\u002FOpenMined\u002FPySyft)\n  * 一种用于隐私保护对等学习的通用框架 [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1811.04017)\n* TensorFlow Federated [[官网]](https:\u002F\u002Fwww.tensorflow.org\u002Ffederated)\n* FATE [[Github]](https:\u002F\u002Fgithub.com\u002FFederatedAI\u002FFATE)\n* FedLearner [[Github]](https:\u002F\u002Fgithub.com\u002Fbytedance\u002Ffedlearner) 字节跳动\n* 百度飞桨PaddleFL [[Github]](https:\u002F\u002Fgithub.com\u002FPaddlePaddle\u002FPaddleFL)\n* NVIDIA Clara SDK [[官网]](https:\u002F\u002Fdeveloper.nvidia.com\u002Fclara)\n* [Flower.dev](https:\u002F\u002Fflower.dev\u002F)\n* [OpenFL](https:\u002F\u002Fgithub.com\u002Fintel\u002Fopenfl)\n* [FEDn](https:\u002F\u002Fscaleoutsystems.github.io\u002Ffedn\u002F) [[Github]](https:\u002F\u002Fgithub.com\u002Fscaleoutsystems\u002Ffedn)\n  * 一种模块化且与模型无关的分层联邦机器学习框架 [[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2103.00148)\n\n\n### 公司\n\n* FedML [[官网]](https:\u002F\u002Ffedml.ai\u002F)\n* DynamoFL [[官网]](https:\u002F\u002Fwww.dynamofl.com\u002F)\n* Adap [[官网]](https:\u002F\u002Fadap.com\u002F): 舰队智能\n* Privacy.ai [[官网]](https:\u002F\u002Fprivacy.ai\u002F)\n* OpenMined [[官网]](https:\u002F\u002Fwww.openmined.org\u002F)\n* Arkhn [[官网]](https:\u002F\u002Farkhn.org\u002Fen\u002F): 医疗健康数据\n* Owkin [[官网]](https:\u002F\u002Fowkin.com\u002F): 医学研究\n* Snips [[官网]](https:\u002F\u002Fsnips.ai\u002F): 语音平台\n* XAIN [[官网]](https:\u002F\u002Fwww.xain.io\u002F) [[Github]](https:\u002F\u002Fgithub.com\u002Fxainag\u002Fxain-fl): 自动化发票处理\n* S20 [[官网]](https:\u002F\u002Fwww.s20.ai\u002F): 多方第三方协作\n* DataFleets [[官网]](https:\u002F\u002Fwww.datafleets.com\u002F)\n* 去中心化机器学习 [[官网]](https:\u002F\u002Fdecentralizedml.com\u002F)","# Awesome Federated Learning 快速上手指南\n\n`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。\n\n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。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux (推荐 Ubuntu 18.04+), macOS, 或 Windows (需 WSL2)\n*   **Python 版本**：3.7 - 3.9\n*   **前置依赖**：\n    *   Git\n    *   PyTorch (大多数现代 FL 框架基于 PyTorch 或 TensorFlow)\n    *   CUDA (可选，如需使用 GPU 加速)\n\n建议创建独立的虚拟环境以避免依赖冲突：\n\n```bash\npython3 -m venv fl-env\nsource fl-env\u002Fbin\u002Factivate  # Windows 用户请使用: fl-env\\Scripts\\activate\n```\n\n## 安装步骤\n\n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。\n\n### 1. 克隆 EasyFL 项目\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FEasyFL-AI\u002FEasyFL.git\ncd EasyFL\n```\n\n### 2. 安装依赖\n国内开发者推荐使用清华源或阿里源加速 Python 包下载：\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n若需完整功能（包含某些特定数据集或扩展），可安装完整版：\n```bash\npip install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> **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](https:\u002F\u002Fgithub.com\u002Fweimingwill\u002Fawesome-federeated-learning#frameworks) 章节获取对应的安装指令。\n\n## 基本使用\n\n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）。\n\n### 1. 准备配置文件\nEasyFL 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`：\n\n```yaml\ntask: classification\ndataset: mnist\nmodel: lenet\nalgorithm: fedavg\nnum_clients: 10\nrounds: 5\nlocal_epochs: 1\nbatch_size: 64\nlearning_rate: 0.01\n```\n\n### 2. 运行训练脚本\n在项目根目录执行以下命令启动联邦训练：\n\n```bash\npython train.py --config config.yaml\n```\n\n### 3. 查看结果\n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\u002F` 或 `checkpoints\u002F` 目录中。\n\n---\n\n**进阶学习路径：**\n*   **阅读综述**：访问仓库中的 [Survey](https:\u002F\u002Fgithub.com\u002Fweimingwill\u002Fawesome-federeated-learning#survey) 部分，阅读《Federated Machine Learning: Concept and Applications》等经典论文建立理论体系。\n*   **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)](https:\u002F\u002Fgithub.com\u002Fweimingwill\u002Fawesome-federeated-learning#paper-by-research-area) 分类下的最新成果。\n*   **基准测试**：使用 [LEAF](https:\u002F\u002Fgithub.com\u002FTalwalkarLab\u002Fleaf) 基准数据集评估您的算法性能。","某医疗科技公司的算法团队正试图联合多家医院训练一个糖尿病预测模型，但受限于患者隐私法规，原始数据无法出院，必须采用联邦学习技术。\n\n### 没有 awesome-federated-learning 时\n- **入门门槛极高**：团队成员需要在海量学术数据库中盲目搜索，难以区分哪些是过时的理论，哪些是可落地的前沿论文，导致调研周期长达数周。\n- **资源分散且杂乱**：博客教程、视频讲解和代码框架散落在不同平台，缺乏系统分类，开发者在配置环境和复现算法时频繁遇到版本冲突或文档缺失问题。\n- **选型决策困难**：面对通信效率、统计异构性等技术挑战，团队找不到针对性的基准测试（Benchmarks）和对比方案，难以评估哪种架构最适合当前的医疗场景。\n- **试错成本高昂**：由于缺乏像 EasyFL 这样经过顶会验证的开源平台参考，团队不得不从零搭建基础框架，耗费大量人力在重复造轮子上。\n\n### 使用 awesome-federated-learning 后\n- **知识获取高效精准**：团队直接利用按会议（如 NeurIPS、ICML）和研究领域（如隐私安全、垂直联邦）分类的论文清单，迅速锁定了针对医疗数据异构性的核心解决方案。\n- **一站式资源导航**：通过整合的博客、综述和视频教程，新手成员能快速理解概念，并直接跳转到推荐的成熟框架，将环境搭建时间从几天缩短至几小时。\n- **技术路径清晰明确**：借助“通信效率”和“可信联邦”等专项领域的整理资料，团队快速找到了优化带宽占用和保障数据隐私的最佳实践，避免了方向性错误。\n- **快速原型验证**：基于列表中推荐的 EasyFL 平台，团队以极少代码量完成了原型开发，将原本用于构建基础设施的时间全部投入到业务逻辑优化中。\n\nawesome-federated-learning 通过系统化整合全球联邦学习资源，将团队的技术探索周期从“月级”压缩至“天级”，极大加速了隐私计算项目的落地进程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fweimingwill_awesome-federated-learning_070fff8b.png","weimingwill","Zhuang Weiming","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fweimingwill_972495cc.png",null,"Singapore","https:\u002F\u002Fweiming.me","https:\u002F\u002Fgithub.com\u002Fweimingwill",[80,84],{"name":81,"color":82,"percentage":83},"Shell","#89e051",91.6,{"name":85,"color":86,"percentage":87},"Python","#3572A5",8.4,729,99,"2026-03-29T21:34:05","MIT",1,"","未说明",{"notes":96,"python":94,"dependencies":97},"该仓库（awesome-federated-learning）是一个联邦学习资源的精选列表（包括论文、博客、调查和项目链接），本身不是一个可执行的软件工具或框架，因此没有特定的运行环境、依赖库或硬件需求。README 中提到的具体框架（如 EasyFL, PySyft, FATE 等）各自有独立的环境要求，需参考其对应的官方文档。",[],[16,14],[100,101,102,103,104,105,106,107,108,109,110,111,112],"federated-learning","machine-learning","data-privacy","communication-efficiency","federated-optimization","differential-privacy-deep-learning","distributed-optimization","federated-learning-framework","privacy","meta-learning","decentralized-federated-learning","statistical-heterogeneity","non-iid","2026-03-27T02:49:30.150509","2026-04-08T13:02:19.462299",[],[]]