FLNK

让联邦学习系统持续吸收新知识，延长寿命、降低成本

FLNK（Federated Learning with New Knowledge）是一个探索将新知识融入现有联邦学习系统的开源研究项目。它旨在解决联邦学习系统在部署后难以适应新数据分布、新任务或新约束的问题，通过引入新知识来降低系统维护成本、延长系统寿命并促进可持续发展。核心能力包括：设计新的联邦学习算法以动态吸收新知识、构建模块化框架以支持不同知识类型的集成、以及提供实验基准以评估系统演化效果。该项目处于早期阶段，代码和文档正在完善中，适合对联邦学习系统演进方向感兴趣的研究者和开发者。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 88

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队conditionWang

所属国家

官网地址

GitHubhttps://github.com/conditionWang/FLNK

定价模式free

价格说明开源项目，无在线服务，需自行部署，完全免费。

访问状态

是否开源是

开源协议

主要语言

技术栈/模型continual-learning,domain-adaptation,domain-generalization,federated-learning,foundation-models,large-language-models,multiparty-computation,out-of-distribution-detection,sustainability

GitHub 星标★ 88

30天Star增速

HF 下载量

上线时间2022-11-09 00:00:00

最近更新2026-06-25 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数5

使用教程

核心亮点

聚焦联邦学习系统演化这一前沿方向，解决模型部署后的适应性问题
提供模块化设计思路，便于扩展不同知识类型（如新任务、新分布）
开源代码和实验基准，便于复现和二次开发

不足之处

文档/社区待观察
项目处于早期，功能完整性和稳定性有待验证

适用场景

联邦学习系统需要动态适应新数据分布或新任务场景
降低联邦学习系统长期维护成本，延长系统使用寿命
研究联邦学习中的知识迁移和持续学习

替代项目

FedML、Flower、FATE

项目介绍

FLNK 是模型训练领域的开源项目，由 conditionWang 开发，2022 年首次发布。

它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 88。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-06-25。无在线服务，需自行部署，完全免费。

它主要面向的使用场景是：联邦学习系统需要动态适应新数据分布或新任务场景。同类可对比的替代方案包括 FedML、Flower、FATE。

上一篇：get_model

下一篇：turtle