Federated Learning 聯(lián)邦學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中快速發(fā)展的研究領(lǐng)域。盡管已經(jīng)進(jìn)行了大量的研究工作，但是現(xiàn)有的軟件框架不能充分支持多樣化的算法開發(fā)（例如，多樣化的拓?fù)浜挽`活的消息交換），并且實(shí)驗(yàn)中不一致的數(shù)據(jù)集和模型使用使公平的比較變得困難。

近日，美國南加州大學(xué) USC 聯(lián)合 MIT、Stanford、MSU、UW-Madison、UIUC 以及騰訊、微眾銀行等眾多高校與公司聯(lián)合發(fā)布了 FedML 聯(lián)邦學(xué)習(xí)開源框架。

FedML 是一個(gè)開放的研究庫和基準(zhǔn)，可促進(jìn)新的聯(lián)合學(xué)習(xí)算法的開發(fā)和公平的性能比較。FedML 支持三種計(jì)算范例：分布式訓(xùn)練，移動(dòng)設(shè)備訓(xùn)練和獨(dú)立仿真，以便用戶在不同的系統(tǒng)環(huán)境中進(jìn)行實(shí)驗(yàn)。FedML 還通過靈活且通用的 API 設(shè)計(jì)和參考基準(zhǔn)實(shí)現(xiàn)促進(jìn)了各種算法研究。針對非 I.I.D 設(shè)置的精選且全面的基準(zhǔn)數(shù)據(jù)集旨在進(jìn)行公平的比較。相信 FedML 可以為聯(lián)合學(xué)習(xí)研究社區(qū)提供開發(fā)和評估算法的有效且可重復(fù)的手段。

FedML 團(tuán)隊(duì)歡迎研究人員或工程師使用 FedML 庫，并隨時(shí)反饋不恰當(dāng)?shù)脑O(shè)計(jì)。更多信息大家可以查閱以下資料：

FedML Homepage:?

https://fedml.ai?

FedML White Paper:?

https://arxiv.org/abs/2007.13518

FedML GitHub:?

https://github.com/FedML-AI/FedML

FedML Video Tutorial:?

https://www.bilibili.com/video/BV1jK411N7gS/ (B站)

FedML 由一群對聯(lián)合學(xué)習(xí)研究充滿熱情的研究人員和專家工程師維護(hù)。今年，FedML 的作者在機(jī)器學(xué)習(xí)頂會(huì) NeurIPS 2020 上發(fā)表了 7 篇論文，足見其學(xué)術(shù)水準(zhǔn)。

論文列表：

https://github.com/FedML-AI/FedML/blob/master/publications.md

該項(xiàng)目的 Technical Lead 何朝陽目前在美國南加州大學(xué)攻讀博士學(xué)位，主攻機(jī)器學(xué)習(xí)算法與模型方向，之前他在業(yè)界有豐富的分布式系統(tǒng)與移動(dòng)研發(fā)研發(fā)經(jīng)驗(yàn)，目前他的學(xué)術(shù)指導(dǎo)老師包括畢業(yè)于 UC Bekerley 現(xiàn)就職于 USC 的 Salman Avestimehr 教授，以及來自于香港港科大學(xué)的張潼教授。

另外，FedML 團(tuán)隊(duì)也正在招募開源志愿者，也邀請研究人員加入該開源項(xiàng)目。學(xué)生或研究人員不僅可以在機(jī)器學(xué)習(xí)算法和模型的開發(fā)中獲得經(jīng)驗(yàn)，而且可以發(fā)現(xiàn)新的研究思路。如果您想討論潛在的開源貢獻(xiàn)或研究合作，請發(fā)送電子郵件至chaoyang.he@usc.edu

最后，FedML 官方提供了視頻講解，幫助大家快速熟悉 FedML：

更多閱讀

#投 稿?通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優(yōu)質(zhì)內(nèi)容以更短路徑到達(dá)讀者群體，縮短讀者尋找優(yōu)質(zhì)內(nèi)容的成本呢？答案就是：你不認(rèn)識的人。

總有一些你不認(rèn)識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學(xué)者和學(xué)術(shù)靈感相互碰撞，迸發(fā)出更多的可能性。?

PaperWeekly 鼓勵(lì)高校實(shí)驗(yàn)室或個(gè)人，在我們的平臺(tái)上分享各類優(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學(xué)習(xí)心得或技術(shù)干貨。我們的目的只有一個(gè)，讓知識真正流動(dòng)起來。

?????來稿標(biāo)準(zhǔn)：

? 稿件確系個(gè)人原創(chuàng)作品，來稿需注明作者個(gè)人信息（姓名+學(xué)校/工作單位+學(xué)歷/職位+研究方向）?

? 如果文章并非首發(fā)，請?jiān)谕陡鍟r(shí)提醒并附上所有已發(fā)布鏈接?

? PaperWeekly 默認(rèn)每篇文章都是首發(fā)，均會(huì)添加“原創(chuàng)”標(biāo)志

?????投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請單獨(dú)在附件中發(fā)送?

? 請留下即時(shí)聯(lián)系方式（微信或手機(jī)），以便我們在編輯發(fā)布時(shí)和作者溝通

????

現(xiàn)在，在「知乎」也能找到我們了

進(jìn)入知乎首頁搜索「PaperWeekly」

點(diǎn)擊「關(guān)注」訂閱我們的專欄吧

關(guān)于PaperWeekly

PaperWeekly 是一個(gè)推薦、解讀、討論、報(bào)道人工智能前沿論文成果的學(xué)術(shù)平臺(tái)。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號后臺(tái)點(diǎn)擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結(jié)

以上是生活随笔為你收集整理的FedML联邦机器学习框架正式开源，助力算法开发和性能比较的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。