#federated-learning Repositórios
Descubra 39 repositórios ativos de código aberto no GitHub marcados com #federated-learning, acumulando um total de 94,789 estrelas (uma média de 2,430 por projeto). O líder deste tópico é visenger/awesome-mlops, com 13,509 estrelas.
39 repositórios no total
Um ecossistema e espaço de trabalho unificados para aprendizado federado em larga escala de modelos grandes e LLMs. Armazene capacidade computacional como Wi-Fi
O sistema nervoso central e orquestrador de backend do Fractal. Gerencia o agendamento de tarefas multi-inquilino, o orçamento de TFLOPs em tempo real e a agregação federada de pesos usando o FedAvg.
Um nó Android centrado nas pessoas e atento aos recursos para computação de borda e aprendizagem federada. Coordena a inteligência distribuída com localização que prioriza a privacidade e gerenciamento atencioso do hardware.
FEDML - A biblioteca de ML unificada e escalável para treinamento distribuído em larga escala, serviço de modelo e aprendizado federado. O FEDML Launch, um agendador multi-cloud, permite ainda a execução de quaisquer tarefas de IA em qualquer cloud de GPU ou cluster local. Construída sobre esta biblioteca, a TensorOpera AI (https://TensorOpera.ai) é a sua plataforma de IA generativa em escala.
Uma estrutura unificada para análise de dados e aprendizado de máquina com preservação de privacidade
Uma estrutura de código aberto para aprendizado de máquina e outras computações em dados descentralizados.
Tudo sobre aprendizado federado, incluindo artigos de pesquisa, livros, códigos, tutoriais, vídeos e muito mais
Informações acadêmicas abrangentes e oportunas sobre aprendizado federado (artigos, frameworks, conjuntos de dados, tutoriais, workshops)
Implementação de Aprendizagem Eficiente em Comunicação de Redes Profundas a Partir de Dados Descentralizados
A Privacy-Preserving Computing Platform é uma plataforma de computação de privacidade de código aberto, desenvolvida por uma equipe de especialistas em criptografia, que oferece suporte a Computação Segura Multipartidária, Aprendizagem Federada, Interseção de Conjuntos Privados, Consulta Anônima, entre outros.
[pip install medmnist] Conjuntos de Dados Padronizados 18x para Classificação de Imagens Biomédicas 2D e 3D
Uma infraestrutura aberta para democratizar e descentralizar o desenvolvimento da superinteligência para a humanidade.
Um framework de Federated Learning flexível baseado em PyTorch, simplificando sua pesquisa em Federated Learning.
Fusão de Modelos em LLMs, MLLMs e Além: Métodos, Teorias, Aplicações e Oportunidades. ACM Computing Surveys, 2026.
Uma coleção de projetos de pesquisa do Google relacionados a Aprendizagem Federada e Análise Federada.
Todos os materiais que você precisa para Aprendizado Federado: blogs, vídeos, artigos e softwares, etc.
OpenHuFu é um sistema de federação de dados de código aberto para suportar consultas colaborativas em múltiplos bancos de dados com garantia de segurança.
Ciclo de Vida Completo de um Projeto de Ciência de Dados
Benchmark de Aprendizagem Federada - Aprendizagem Federada em Silos de Dados Não-IID: Um Estudo Experimental (ICDE 2022)
recursos sobre aprendizado federado e privacidade em aprendizado de máquina
Uma biblioteca para aprendizado federado (um processo de aprendizado de máquina distribuído) em um ambiente corporativo.
O primeiro framework de Aprendizagem Federada aberto implementado em C++ e Python.
Perguntas Frequentes
Qual é o repositório de #federated-learning mais popular no GitHub?
O projeto de código aberto de #federated-learning mais bem classificado no GitHub é visenger/awesome-mlops, com 13,509 estrelas. Uma lista curada de referências para MLOps
Quais linguagens de programação são mais usadas nos repositórios de #federated-learning?
Entre os projetos de #federated-learning mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, Kotlin, C++.
Como é calculada a classificação dos repositórios de #federated-learning?
Acompanhamos 39 repositórios ativos de código aberto marcados com #federated-learning (com mais de 500 estrelas), totalizando 94,789 estrelas e uma média de 2,430 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.