youngfish42/Awesome-FL

这是什么

一个精心策划、手工维护的关于联邦学习的资源列表——这是一种机器学习技术，模型在多个设备或服务器上进行训练，而无需将原始数据集中到中央位置。该项目收集了与该领域相关的论文、软件框架、数据集、综述、教程和学术活动。

包含内容

• 论文——列表的主体。它们按发表场所（例如 NeurIPS、ICML、CVPR、ACL、KDD）和研究领域（人工智能、机器学习、数据挖掘、安全、计算机视觉、自然语言处理、信息检索、数据库、网络、系统等）分组。每个场所都有近年（大约2020-2025年）已接受论文列表的链接。
• 专题论文——专门针对联邦学习应用于图数据/图神经网络和表格数据（例如基于树的模型如XGBoost）的章节。
• 框架——用于构建联邦学习系统的软件工具。
• 数据集——用于联邦学习研究的数据集合。
• 综述——概述性论文。
• 教程和课程——学习材料。
• 活动——专注于联邦学习的研讨会、期刊特刊和会议特别专题。

组织方式

README是一个带有链接的目录。完整内容位于单独的首页（youngfish42.github.io/Awesome-FL）；README指出，如果页面未显示所有内容，读者应访问该网站。

维护状态（重要）

截至2024年9月30日，主要作者完成了博士学业并转移了研究重点。后果：

• 论文列表将每月或每季度更新，而不是定期更新。
• 更新将更浅——作者单位、开源代码链接等详细信息将不再积极维护。
• 作者邀请其他贡献者帮助保持列表的最新状态。

如何贡献

通过打开GitHub问题、提交拉取请求或发送电子邮件给作者（im.young@foxmail.com）来建议新资源。还有一个QQ群（号码833638275）用于讨论联邦学习。

相关项目

一个配套工具FL-paper-update-tracker，自动跟踪新的联邦学习论文——由于主列表现在更新频率较低，这很有用。

许可证

MIT（根据README中的徽章）。