Awesome-FL

一页看全联邦学习论文、框架与数据集

开源 🏷️完全免费 🔧 仅开源项目,无在线服务,需自行部署 搜索知识 🍴 复刻 227 👀 关注 47
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 2020
维护状态 较活跃
是否开源 开源
定价模式 🏷️完全免费 开源免费资源列表

项目预览

Awesome-FL 项目界面预览图
图片来源:GitHub 官方仓库名片

项目数据

分类搜索知识
开发团队youngfish42
定价模式🏷️完全免费
价格说明开源免费资源列表
访问状态🔧 仅开源项目,无在线服务,需自行部署
是否开源是
开源协议CC-BY-SA-4.0
主要语言Python
技术栈/模型artificial-intelligence,awesome,computer-vision,data-mining,database,deep-learning,efficiency,federated-learning,federated-learning-framework,graph,graph-neural-networks,information-retrieval,knowledge-graph,machine-learning,natural-language-processing,paper,privacy,security,system,tabular-data
GitHub 星标★ 2020
上线时间2022-05-21 00:00:00
代码更新2026-11-11
仓库体积3.2 MB
本站数据更新2026-11-18
维护状态较活跃
收录时间2026-10-04
浏览次数4

项目介绍

Awesome-FL 是一个面向联邦学习(Federated Learning)领域的综合性学术资源清单,系统整理了该方向的重要论文、开源框架、常用数据集、教程与研讨会信息。联邦学习旨在让多个参与方在不共享原始数据的前提下协同训练模型,解决数据孤岛与隐私合规难题,但研究者常面临资料分散、框架选型困难、数据集不统一等痛点。该项目按主题对论文进行分类,覆盖计算机视觉、数据挖掘、数据库、深度学习、效率优化等交叉方向,并汇总主流框架与基准数据集,帮助研究者快速定位关键工作、复现实验和选择工具链。它本身不是算法库,而是导航型知识库,适合作为入门索引和持续跟踪领域进展的入口,更新相对及时,是联邦学习社区中较受关注的资源集合之一。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整

数据来源:GitHub API 逐日快照 · 收录于 2026-10-04 · 当前星标 ★ 2020

使用教程

难度:入门 约 5 分钟 部署方式:本地安装 5 步

⚠ 该项目 README 未提供完整安装说明,以下步骤为通用流程,请以官方文档为准。

环境要求

  • 可访问 GitHub 与官网的网络环境
  • 已安装 git(用于克隆仓库)
  • 浏览器或 Markdown 阅读器(用于查看清单内容)

安装与启动步骤

  1. 1克隆资源仓库

    把 Awesome-FL 仓库下载到本地,之后可离线浏览全部论文与资源链接。

    git clone https://github.com/youngfish42/Awesome-FL.git
  2. 2查看总目录

    打开 README 的 Table of Contents,了解论文、框架、数据集、综述等板块划分。

    cd Awesome-FL
  3. 3按方向检索论文

    在 Papers 板块按 AI、ML、DM、CV、NLP、DB 等分类定位目标方向的论文列表。

  4. 4挑选框架与数据集

    阅读 Framework 与 Datasets 章节,了解可用工具链与基准数据集。

  5. 5访问在线版

    也可直接在浏览器打开官网,无需克隆即可浏览同一份清单。

如何确认成功

本地能打开 Awesome-FL 目录下的 README.md,或在浏览器访问官网看到分类论文列表,即为成功。

常见问题

Q:这个项目需要安装 Python 依赖吗?

A:不需要。它是导航型学术资源清单,不包含可运行的算法代码,克隆或用浏览器打开官网即可使用。

Q:想做框架选型,应该看哪一部分?

A:查看 README 的 Framework 章节,其中汇总了联邦学习主流开源框架;数据集选择可参考 Datasets 章节。

Q:如何持续跟踪新的联邦学习论文?

A:README 提到使用另一个项目自动跟踪 FL 论文更新,可点击其中的跟踪链接查看最新论文动态。

Q:为什么照着做很快就能完成?

A:因为项目本身没有安装或部署流程,核心动作就是获取清单并检索内容。

注意事项

  • 本项目是资源导航清单,不是算法库,不含训练代码或可执行程序。
  • README 未提供 pip 安装、Docker 部署或服务启动说明,请勿自行假设存在这些步骤。
  • 清单覆盖 AI、ML、DM、Secure、CV、NLP、IR、DB、Network、System 等多个交叉方向。
  • 资源链接与更新状态以仓库 README 和官网为准,遇到失效链接可到仓库反馈。

核心亮点

  • 按主题分类整理论文,覆盖CV、数据挖掘、效率优化等交叉方向,检索路径清晰
  • 同时汇总框架、数据集、教程和研讨会,选型与复现所需信息集中在一处
  • 以Python生态为主,方便与主流联邦学习工具链衔接,降低上手成本

不足之处

  • 作为清单类项目,内容质量依赖人工维护,部分条目可能滞后于最新进展
  • 缺少对框架和论文的横向对比评测,选型时仍需自行验证

适用场景

  • 研究生入门联邦学习时快速建立领域地图
  • 工程师为隐私合规的联合建模项目筛选框架与数据集
  • 团队跟踪联邦学习最新论文和研讨会动态

替代项目

awesome-federated-learning、FedML、Flower

上一篇:cosmos-dataset-search

下一篇:ai-resources

同类项目推荐

awesome-geo 开源

跟上 AI 搜索时代,用 GEO 让内容被 ChatGPT 推荐

A curated list of awesome resources for Generative Engine Optimization (GEO) - optim···

★ 131 2026-08-09
RAG-Survey 开源

一张图看懂RAG论文全景,快速找到你要的研究方向

Collecting awesome papers of RAG for AIGC. We propose a taxonomy of RAG foundations···

★ 1786 2026-08-09
Vinaya-Journal 开源

越写越懂你的本地智能日记,隐私安全可检索

A secure, local RAG journal that understands you better the more you write.

★ 173 2026-08-09
bkmr 开源

本地优先的语义书签管理,让人类和 AI 代理都能快速检索知识。

Knowledge Management for Humans and Agents

★ 269 2026-08-09
denser-chat 开源

上传 PDF,直接提问,答案带原文高亮。

Chat with PDF files with source highlights

★ 150 2026-08-09
NeMo-Retriever 开源

把PDF里的表格图表图片都抽成大模型能用的数据

NeMo Retriever Library is a scalable, performance-oriented document content and meta···

★ 3014 2026-10-07
btp-cap-genai-rag 开源

在SAP CAP中快速集成LLM和RAG,实现企业级AI应用。

Explore this repository for GenAI samples on SAP Business Technology Platform (SAP B···

★ 141 2026-08-09
ksor 开源

给 AI 和人都能用的受治理知识底座,让回答有据可查

KSoR (Knowledge System of Record) is an open-source SDK for building governed, autho···

★ 235 2026-09-12