#federated-learning Repositorios
Descubre 39 repositorios activos de código abierto de GitHub etiquetados con #federated-learning, que acumulan 94,789 estrellas en total (una media de 2,430 estrellas por proyecto). El líder de este tema es visenger/awesome-mlops, con 13,509 estrellas.
39 repositorios en total
Un ecosistema y espacio de trabajo unificados para el aprendizaje federado a gran escala de modelos grandes y LLM. Almacena capacidad de cómputo como Wi-Fi
El sistema nervioso central y orquestador de backend de Fractal. Gestiona la programación de tareas multiinquilino, la asignación de presupuesto de TFLOPs en tiempo real y la agregación federada de pesos mediante FedAvg.
Un nodo Android centrado en las personas y consciente de los recursos para la computación en el borde y el aprendizaje federado. Coordina la inteligencia distribuida mediante una localización que prioriza la privacidad y una gestión empática del hardware.
FEDML: la biblioteca de ML unificada y escalable para entrenamiento distribuido a gran escala, servicio de modelos y aprendizaje federado. FEDML Launch, un planificador multicloud, permite además ejecutar cualquier trabajo de IA en cualquier nube de GPU o clúster local. Basado en esta biblioteca, TensorOpera AI (https://TensorOpera.ai) es su plataforma de IA generativa a escala.
Un marco unificado para el análisis de datos que preserva la privacidad y el aprendizaje automático
Un framework de código abierto para machine learning y otras computaciones en datos descentralizados.
Todo sobre el aprendizaje federado, incluyendo artículos de investigación, libros, códigos, tutoriales, videos y más allá
Información académica completa y oportuna sobre aprendizaje federado (artículos, marcos, conjuntos de datos, tutoriales, talleres)
Implementación del Aprendizaje Eficiente en Comunicación de Redes Profundas a partir de Datos Descentralizados
Privacy-Preserving Computing Platform es una plataforma de computación de preservación de la privacidad de código abierto, creada por un equipo de expertos en criptografía, que admite computación multipartita segura, aprendizaje federado, join-in-the-middle de privacidad y consultas anónimas, etc.
[pip install medmnist] 18 conjuntos de datos estandarizados para clasificación de imágenes biomédicas 2D y 3D
Una infraestructura abierta para democratizar y descentralizar el desarrollo de la superinteligencia para la humanidad.
Un marco flexible de aprendizaje federado basado en PyTorch, que simplifica su investigación de aprendizaje federado.
Fusión de Modelos en LLMs, MLLMs y más allá: Métodos, Teorías, Aplicaciones y Oportunidades. ACM Computing Surveys, 2026.
Una colección de proyectos de investigación de Google relacionados con el aprendizaje federado y el análisis federado.
Todos los materiales que necesitas para Federated Learning: blogs, videos, papers y softwares, etc.
OpenHuFu es un sistema de federación de datos de código abierto para soportar consultas colaborativas sobre múltiples bases de datos con garantía de seguridad.
Ciclo de vida completo de un proyecto de ciencia de datos
Benchmark de Aprendizaje Federado - Aprendizaje Federado en Silos de Datos No IID: Un Estudio Experimental (ICDE 2022)
recursos sobre aprendizaje federado y privacidad en el aprendizaje automático
Una biblioteca para el aprendizaje federado (un proceso distribuido de aprendizaje automático) en un entorno empresarial.
Preguntas frecuentes
¿Cuál es el repositorio de #federated-learning más popular en GitHub?
El proyecto de código abierto de #federated-learning mejor posicionado en GitHub es visenger/awesome-mlops, con 13,509 estrellas. Una lista curada de referencias para MLOps
¿Qué lenguajes de programación se utilizan más en los repositorios de #federated-learning?
Entre los proyectos de #federated-learning mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, Kotlin, C++.
¿Cómo se calcula la clasificación de los repositorios de #federated-learning?
Seguimos 39 repositorios activos de código abierto etiquetados con #federated-learning (500+ estrellas), que suman un total de 94,789 estrellas, con una media de 2,430 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.