FedKTL

用服务端预训练生成器，让异构联邦学习上传更少、效果更好。

FedKTL 是一个面向异构联邦学习的知识迁移框架，核心解决在客户端数据分布不均、算力差异大的场景下，如何高效利用服务端预训练生成模型（如GAN）向客户端迁移知识的问题。它提出了一种上传高效的方案，通过领域对齐和大小模型协作，让客户端在本地训练中受益于服务端生成模型的先验知识，同时显著减少通信开销。该框架支持跨域异构数据，并兼容不同规模的客户端模型，旨在提升联邦学习的全局性能与个性化能力。其核心能力包括：服务端生成模型的知识蒸馏、客户端领域自适应对齐、以及基于协作训练的通信压缩机制。该工作发表于CVPR 2024，代码以Python实现，适合研究联邦学习、生成模型与知识迁移交叉领域的开发者参考。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 69

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队TsingZ0

所属国家

官网地址

GitHubhttps://github.com/TsingZ0/FedKTL

定价模式free

价格说明开源项目，Apache-2.0许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型colloboration,communication-efficient,domain-alignment,federated-learning,generative-model,heterogeneity,large-small-model,non-iid-data,resnet,stable-diffusion,stylegan,vision-transformer

GitHub 星标★ 69

30天Star增速

HF 下载量

上线时间2024-03-05 00:00:00

最近更新2026-08-26 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4

使用教程

核心亮点

提出上传高效的知识迁移机制，显著降低通信成本
支持客户端模型异构（大小模型），适配真实场景
结合生成模型与领域对齐，提升个性化联邦学习效果

不足之处

依赖服务端预训练生成器，对生成模型质量敏感
文档/社区待观察，早期项目示例和教程较少

适用场景

跨机构数据异构的联邦学习训练
移动端与云端协同的生成式AI应用
资源受限客户端的联邦知识迁移

替代项目

FedGen、FedProto、MOON

项目介绍

FedKTL 是模型训练领域的开源项目，由 TsingZ0 开发，2024 年首次发布。

它收录于模型训练分类，该分类目前共有 522 个项目，GitHub 星标数为 69。

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 2026-08-26。Apache-2.0许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：跨机构数据异构的联邦学习训练。同类可对比的替代方案包括 FedGen、FedProto、MOON。

上一篇：redco

下一篇：stable_diffusion_dreambooth_inpainting