Awesome-FL

该合集是一个关于联邦学习领域的资源集合，主要收录与联邦学习相关的数据集、论文、框架、教程和研讨会等信息，覆盖人工智能、机器学习、数据挖掘、安全、计算机视觉、自然语言处理等多个领域。This collection is a resource repository focused on the field of federated learning, mainly curating datasets, papers, frameworks, tutorials, workshops and other relevant information related to federated learning, spanning multiple disciplines including artificial intelligence, machine learning, data mining, cybersecurity, computer vision, and natural language processing.

原始信息汇总

数据集详情概述

项目名称

Awesome-FL — 联邦学习资源汇总

项目地址

https://github.com/youngfish42/Awesome-FL

主要类别

该项目收录了联邦学习领域的多种资源，包括：

• 论文（Papers）

  • 顶级期刊中的联邦学习论文
  • 按类别分类的顶级会议与期刊论文：
    • 人工智能（AI）：IJCAI, AAAI, AISTATS, ALT, AI
    • 机器学习（ML）：NeurIPS, ICML, ICLR, COLT, UAI, Machine Learning, JMLR, TPAMI
    • 数据挖掘（DM）：KDD, WSDM
    • 安全（Secure）：S&P, CCS, USENIX Security, NDSS
    • 计算机视觉（CV）：ICCV, CVPR, ECCV, MM, IJCV
    • 自然语言处理（NLP）：ACL, EMNLP, NAACL, COLING
    • 信息检索（IR）：SIGIR
    • 数据库（DB）：SIGMOD, ICDE, VLDB
    • 网络（Network）：SIGCOMM, INFOCOM, MOBICOM, NSDI, WWW
    • 系统（System）：OSDI, SOSP, ISCA, MLSys, EuroSys, TPDS, DAC, TOCS, TOS, TCAD, TC
    • 其他（Others）：ICSE, FOCS, STOC
  • 图数据与图神经网络（Graph Data and GNN）相关联邦学习论文
  • 表格数据（Tabular Data）相关联邦学习论文

• 框架（Framework）

• 数据集（Datasets）

• 综述（Surveys）

• 教程与课程（Tutorials and Courses）

• 关键会议/研讨会/期刊

  • 研讨会（Workshops）
  • 期刊特刊（Journal Special Issues）
  • 会议特设轨道（Conference Special Tracks）

更新状态

• 项目自2024年9月30日起，更新频率将由定期更新变为每月或每季度更新
• 作者机构及开源代码信息将不再主动维护
• 欢迎社区贡献者参与更新

附加信息

• 提供论文自动追踪项目：FL-paper-update-tracker
• 完整内容请访问官方主页：https://youngfish42.github.io/Awesome-FL
• 支持通过GitHub Issue或邮件提交新增资源建议

搜集汇总

数据集介绍

构建方式

联邦学习作为一项突破性的人工智能范式，旨在解决数据孤岛与隐私保护的双重挑战。Awesome-FL数据集通过系统性地搜集与整理联邦学习领域的前沿文献与资源而构建，其核心内容涵盖发表于顶级期刊与会议（如NeurIPS、ICML、ICLR、AAAI、CVPR等）的学术论文，并按人工智能、机器学习、数据挖掘、安全、计算机视觉、自然语言处理等子领域进行精细分类。此外，该数据集还整合了联邦学习框架、可用的基准数据集、综述论文、教程与课程资料，以及相关研讨会和期刊特刊的信息，从而构建了一个全面且结构化的知识体系。构建过程依赖持续的自动追踪与社区贡献，以确保资源的时效性与完整性。

特点

该数据集最显著的特征在于其高度的组织性与权威性，它并非简单的文献罗列，而是将联邦学习研究按照学术会议与期刊的层级、发表年份以及具体研究方向（如图数据、表格数据上的联邦学习）进行了多维度的索引与归类。每个收录的论文条目均关联至其在DBLP等学术数据库的链接，方便研究者快速获取详细信息。同时，数据集通过GitHub徽章直观展示星标与许可状态，并设有专门的论文更新追踪器，反映了其对动态学术生态的敏锐响应。这种精心设计的结构使得研究者能够高效地追踪特定子领域的研究脉络与发展趋势。

使用方法

使用者可以通过访问该数据集的GitHub主页或官方网页进行浏览与检索。导航目录提供了清晰的入口，允许用户根据自身兴趣，例如通过点击“Papers”下的具体会议名称或“Framework”等板块，直接跳转至相关资源列表。每个分类下的论文均以年份为序排列，并附带指向官方出版物的链接。对于希望跟踪最新进展的用户，可以利用配套的FL-paper-update-tracker项目自动获取更新。此外，数据集鼓励社区参与，用户可通过提交Issue或Pull Request的方式贡献新的资源，或加入QQ群进行学术交流，从而形成一个动态的、协作的知识共享平台。

背景与挑战

背景概述

联邦学习作为一种新兴的分布式机器学习范式，旨在解决数据孤岛与隐私保护之间的矛盾，自2016年由Google提出以来，迅速成为人工智能领域的研究热点。Awesome-FL数据集由研究者白小鱼（youngfish）于2020年前后创建，旨在系统性地整合联邦学习领域的高质量学术资源，包括顶级会议与期刊论文、开源框架、数据集及综述等。该数据集的核心研究问题在于为联邦学习研究者提供一份全面、动态更新的知识图谱，以应对该领域文献爆炸式增长的挑战。凭借其结构化的分类体系和持续维护的更新日志，Awesome-FL已成为联邦学习社区中极具影响力的参考资源，被广泛引用为文献调研和课题立项的起点，有力推动了该领域的学术交流与技术进步。

当前挑战

该数据集所解决的领域问题聚焦于联邦学习研究中的信息碎片化与文献索引困难。随着联邦学习在计算机视觉、自然语言处理、网络安全等多学科的交叉渗透，研究者难以高效追踪各子方向的前沿进展。Awesome-FL通过按会议、年份及主题分类的方式，构建了清晰的论文索引体系，降低了领域入门门槛。在构建过程中，主要挑战包括：一是需要持续追踪数十个顶级会议与期刊的论文列表，工作量极大且易遗漏；二是随着2024年主要贡献者博士毕业并转移研究焦点，数据集的更新频率与深度显著下降，如作者机构与开源代码等元数据不再主动维护，影响了资源的时效性与完整性。

常用场景

经典使用场景

在人工智能与数据隐私保护交织的时代背景下，联邦学习作为一种分布式机器学习范式，旨在解决数据孤岛与隐私合规间的根本矛盾。Awesome-FL数据集汇聚了联邦学习领域从理论到实践的丰富资源，其经典使用场景聚焦于跨机构协同建模，例如在医疗、金融等高度敏感领域中，多个参与方可以在不共享原始数据的前提下，联合训练出性能优异的全局模型。该资源库通过系统梳理顶级会议与期刊中的相关论文，为研究者提供了快速掌握联邦学习核心算法、通信协议及隐私保护机制的便捷入口，成为该领域入门与进阶的必备参考资料。

解决学术问题

Awesome-FL数据集系统性地回应了联邦学习研究中的若干核心学术挑战。它首先解决了非独立同分布数据下的模型收敛难题，通过收录针对数据异质性的优化算法（如FedProx、SCAFFOLD），为提升全局模型精度提供了理论支撑。其次，该资源库聚焦于通信效率与隐私保护之间的权衡，汇集了梯度压缩、差分隐私及安全聚合等关键技术的研究成果。此外，它还深入探讨了联邦学习在系统异构环境下的鲁棒性，以及如何通过个性化学习应对客户端间的分布偏移，这些问题的解决极大地推动了分布式机器学习理论的发展与成熟。

衍生相关工作

基于Awesome-FL所整合的资源，衍生出了一系列具有深远影响的经典工作。例如，针对联邦学习中的公平性问题，研究者提出了q-FFL（q-Fair Federated Learning）等算法，旨在优化不同客户端间的性能均衡。在模型压缩领域，FedAvg与知识蒸馏的结合催生了FedKD等高效通信方案。此外，该资源库也催生了联邦迁移学习与联邦图神经网络等交叉方向，如FedGNN将联邦学习扩展至图结构数据，解决了社交网络与推荐系统中的子图隐私问题。这些衍生工作不仅丰富了联邦学习的理论体系，也为后续研究提供了坚实的基准与灵感源泉。