联邦学习开源框架简介

0、FATE平台

该平台是微众银行开发的，是全球第一个联邦学习工业级开源框架。不管是对初级人门者，还是联邦学习产品级系统的开发人员，FATE都是一个非常合适的选择。相比于利用Python从零开发，FATE提供了完善的建模工具，构建联邦学习模型简单方便，用户不需要了解太多的底层细节就可以实现联邦学习，非常适合开发工业级的联邦学习产品。

1、TensorFlow-Federated（TFF）

主要用于横向联邦学习场景，特别是针对安卓移动终端。借助TFF, 开发人员能够在多个参与客户端之间训练共享全局模型。TFF提供了在线的编辑工具，让开发者在浏览器中可以快速实现简单的联邦学习算法。---适合科研与实验研究。

2、OpenMined PySyft

目前，主要以支持横向联邦学习为主。基于安全和隐私保护的深度学习库，可将多种隐私策略应用到PyTorch、Keras、和TensorFlow 等开发模型上。

Theo Ryffel, Andrew Trask, Morten Dahl, Bobby Wagner, Jason Mancuso, Daniel Rueck- ert, and Jonathan Passerat-Palmbach. A generic framework for privacy preserving deep learning. CoRR, abs/i811.04017, 2018.

3、百度PaddleFL

目前，在PaddleFL中实现了横向和纵向联邦学习算法，定义了包括多任务学习、迁移学习和主动学习在内的训练策略。同时，PaddleFL提供在自然语言处理、计算机视觉和推荐算法等领域的应用示例。此外，还封装了一些公开的联邦学习数据集。

4、腾讯 AngelFL

Angel是一个全栈的机器学习开源平台，是一个去中心化的联邦学习框架，无需依赖可信第三方，，以Angel的高维稀疏训练平台作为底层，抽象出“算法协议”层，供实现各种常见机器学习算法。AngelFL的主要应用场景是纵向联邦的。

腾讯技术工程.腾讯AngelFL联邦学习平台揭秘.Mar. 2020.

5、同盾知识联邦平台

同盾科技推出的智邦iBond平台，融合了分布式机器学习、安全加密计算、元学习等技术，创造了知识联邦的概念。知识联邦使多方联邦在完全满足用户隐私、数据安全和政府合规的要求下，进行数据分析和建模，协同创造和共享知识。该平台支持在原始数据的密文空间上联邦、模型训练中联邦、特征学习结果上联邦，还支持多任务、多方异构知识联邦。

Hongyu Li, Dan Meng, and Xiaolin Li. Knowledge federation: Hierarchy and unification. arXiv preprint arXiv:SOOS.01647, 2020.