google-parfait/tensorflow-federated

解决的问题

解决了在不将敏感数据上传到中心服务器的情况下，在分散数据上训练机器学习模型的挑战。这使得在保持用户数据本地化和隐私的同时，实现协作式模型训练成为可能。

工作原理

TFF 使用联邦学习方法，在多个参与客户端之间训练共享的全局模型。它提供两个主要接口层：

• 联邦学习（FL）API：高层接口（tff.learning），允许开发者将现有的联邦训练和评估实现应用于 TensorFlow 模型。
• 联邦核心（FC）API：低层、强类型化的函数式编程环境，结合 TensorFlow 与分布式通信操作符，用于表达新颖的联邦算法。

适用人群

专为希望实验联邦学习算法、在分散数据上实现非学习计算（如聚合分析）或在各种运行时环境中部署联邦计算的研究人员和开发者设计。

主要亮点

• 同时支持高层训练/评估 API 和低层算法设计工具。
• 无需上传敏感数据即可训练模型（例如移动键盘预测）。
• 内置单机模拟运行时，便于快速实验。
• 可声明式地表达计算，以部署到多样化的环境中。