FATE

<div align="center"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/76b556e9-a72a-4a23-8776-84b2ab6d013c.png"> </div>

FATE（联邦人工智能技术使能器）是全球首个工业级联邦学习开源框架，旨在使企业和机构能够在保护数据安全和隐私的同时进行数据协作。它基于同态加密和多方计算（MPC）实现了安全计算协议。FATE支持各种联邦学习场景，目前提供了一系列联邦学习算法，包括逻辑回归、基于树的算法、深度学习和迁移学习。

FATE是由Linux基金会托管的开源项目。技术章程规定了对FATE（"联邦人工智能技术使能器"）项目进行技术贡献和监督的责任和程序。

https://fate.readthedocs.io/en/latest

入门指南

FATE可以部署在单个节点或多个节点上。请选择适合您环境的部署方式。 可在此处下载发布版本。

版本 >= 2.0

单机部署

• 通过PyPI、预构建的Docker镜像或安装程序在单个节点上部署FATE。这适用于简单的测试目的。请参考此指南。

集群部署

将FATE部署到多个节点以实现可扩展性、可靠性和可管理性。

• 通过CLI进行集群部署：使用CLI部署FATE集群。

快速开始

• 仅通过Pypi安装FATE的训练演示
• 通过Pypi同时安装FATE和FATE-Flow的训练演示

高级使用

• 同构模式的训练与预测
• 运行机器学习启动器

更多示例

• 机器学习示例
• PipeLine示例

文档

FATE设计

• 架构：为异构计算引擎互联构建统一和标准化的API
• FATE算法组件：为不同的调度引擎构建标准化算法组件
• OSX（开放站点交换）：构建跨站点通信互联的开放平台
• FATE-Flow：构建开放和标准化的调度平台，实现调度互联
• PipeLine设计：构建可扩展的联邦DSL，实现应用层互联，并提供快速联邦建模工具
• 路线图
• 论文与会议

开发指南

• DAG 使用指南
• 组件开发指南

相关仓库（项目）

• KubeFATE：使用容器和 Kubernetes 等云原生技术的 FATE 平台运维工具。
• FATE-Flow：用于联邦学习流程的多方安全任务调度平台。
• FATE-Board：一套可视化工具，用于轻松有效地探索和理解联邦模型。
• FATE-Serving：高性能且可用于生产环境的联邦学习模型服务系统。
• FATE-Cloud：用于构建和管理工业级联邦学习云服务的基础设施。
• EggRoll：一个用于（联邦）机器学习的简单高性能计算框架。
• AnsibleFATE：通过 Ansible 优化和自动化配置及部署操作的工具。
• FATE-Builder：为 FATE 和 KubeFATE 构建软件包和 Docker 镜像的工具。
• FATE-Client：为 FATE 启用快速联邦建模任务的工具。
• FATE-Test：FATE 的自动化测试工具，包括测试和基准比较。
• FATE-LLM：支持大型语言模型（LLMs）联邦学习的框架。

治理

FATE-Community 包含所有关于社区成员如何相互合作的文档。

• GOVERNANCE.md 文档记录了项目的治理模式。
• 工作会议的会议纪要
• 开发流程指南
• 安全发布流程

参与其中

贡献

FATE 是一个包容和开放的社区。我们欢迎有兴趣让 FATE 变得更好的开发者！我们欢迎各种形式的贡献。请参考所有 FATE 项目的通用贡献指南和各个仓库的贡献指南。

邮件列表

加入 FATE 用户邮件列表，与社区保持联系，了解 FATE 项目的最新消息和信息。欢迎讨论和反馈 FATE 项目。

错误或功能请求

通过 GitHub issues 提交错误和功能请求。如果需要帮助，请通过邮件列表提问。

联系邮箱

维护者：FedAI-maintainers @ groups.io

安全响应委员会：FATE-security @ groups.io

Twitter

在 Twitter 上关注我们 @FATEFedAI

常见问题

https://github.com/FederatedAI/FATE/wiki

许可证

Apache License 2.0