Parallel SGD 　　Parallel-SGD v0.7 　　本项目为分布式并行计算框架&简易CPU神经网络模型库。可用于联邦学习和分布式学习中的关于网络架构和通信编码部分的实验，参考ICommunication_Ctrl接口说明（ ）；可用于神经网络模型分割与模型验证，参考 nn 库使用说明（）；可用于分布式并行计算实验，参考 executor 说明（）。 参数说明 工作节点参数 　　所有的参数都通过 job_submit.py 传入，worker节点无需传入任何参数。启动时，使用以下命令启动Worker，无需传入参数。当任务提交时，节点会自动申请并获取工作状态信息。 python worker.py 注意：每个worker所在的计算机都需要允许15387端口的TCP传入。 注意：Worker启动后就进入无人值守状态，可以反复提交任务无需重启。 任务提交 (已弃用) 　　提交任

联邦学习是一种新型的分布式学习框架，它允许在多个参与者之间共享训练数据而不会泄露其数据隐私。但是这种新颖的学习机制仍然可能受到来自各种攻击者的前所未有的安全和隐私威胁。

2022年联邦学习场景应用研究报告（63页）.pdf

2022联邦学习场景应用研究报告.pdf

联邦学习场景应用研究报告（2022年）.pdf

数据要素和联邦学习

FedAvg是一种分布式框架，允许多个用户同时训练一个机器学习模型。在训练过程中并不需要上传任何私有的数据到服务器。本地用户负责训练本地数据得到本地模型，中心服务器负责加权聚合本地模型，得到全局模型，经过多轮迭代后最终得到一个趋近于集中式机器学习结果的模型，有效地降低了传统机器学习源数据聚合带来的许多隐私风险。

A blockchain-orchestrated Federated Learning.pdf

BAFFLE : Blockchain Based Aggregator Free Federated Learning

A Blockchain-based Decentralized Federated.pdf