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。
FedML 团队欢迎研究人员或工程师使用 FedML 库，并随时反馈不恰当的设计。更多信息大家可以查阅以下资料：
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 由一群对联合学习研究充满热情的研究人员和专家工程师维护。今年，FedML 的作者在机器学习顶会 NeurIPS 2020 上发表了 7 篇论文，足见其学术水准。
论文列表：
https://github.com/FedML-AI/FedML/blob/master/publications.md
该项目的 Technical Lead 何朝阳目前在美国南加州大学攻读博士学位，主攻机器学习算法与模型方向，之前他在业界有丰富的分布式系统与移动研发研发经验，目前他的学术指导老师包括毕业于 UC Bekerley 现就职于 USC 的 Salman Avestimehr 教授，以及来自于香港港科大学的张潼教授。
另外，FedML 团队也正在招募开源志愿者，也邀请研究人员加入该开源项目。学生或研究人员不仅可以在机器学习算法和模型的开发中获得经验，而且可以发现新的研究思路。如果您想讨论潜在的开源贡献或研究合作，请发送电子邮件至chaoyang.he@usc.edu
最后，FedML 官方提供了视频讲解，帮助大家快速熟悉 FedML：
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。
📝 来稿标准：
• 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向）
• 如果文章并非首发，请在投稿时提醒并附上所有已发布链接
• PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志
📬 投稿邮箱：
• 投稿邮箱：hr@paperweekly.site
• 所有文章配图，请单独在附件中发送
• 请留下即时联系方式（微信或手机），以便我们在编辑发布时和作者沟通
🔍
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。
