Federated Learning 联邦学习是机器学习领域中快速发展的研究领域。尽管已经进行了大量的研究工作，但是现有的软件框架不能充分支持多样化的算法开发（例如，多样化的拓扑和灵活的消息交换），并且实验中不一致的数据集和模型使用使公平的比较变得困难。

近日，美国南加州大学 USC 联合 MIT、Stanford、MSU、UW-Madison、UIUC 以及腾讯、微众银行等众多高校与公司联合发布了 FedML 联邦学习开源框架。

FedML 是一个开放的研究库和基准，可促进新的联合学习算法的开发和公平的性能比较。FedML 支持三种计算范例：分布式训练，移动设备训练和独立仿真，以便用户在不同的系统环境中进行实验。FedML 还通过灵活且通用的 API 设计和参考基准实现促进了各种算法研究。针对非 I.I.D 设置的精选且全面的基准数据集旨在进行公平的比较。相信 FedML 可以为联合学习研究社区提供开发和评估算法的有效且可重复的手段。

内容中包含的图片若涉及版权问题，请及时与我们联系删除