MetisFL

收录理由

当数据敏感或分散到无法集中存放时，MetisFL 提供了一条清晰可行的路径：模型可以在多个站点上协同训练，而原始数据始终留在原地。这个框架最特别的地方在于，它的核心主要用 C++ 编写，Python API 则是构建在更快的原生内核之上，设计者还特意让协调器在参与客户端数量增加时依然保持高效。混合 C++/Python 的代码栈往往让复现变得麻烦，项目因此提供了 Docker 镜像和 CUDA 构建版本，以减少不同操作系统之间的依赖差异。它遵循“只传输更新、不传输数据”的隐私模式，天然适合医疗、金融这类对安全要求极高的领域。不过，这套软件目前仍是研究级工具——官方推荐用容器方式部署，想要让训练流程稳定跑起来，前期免不了一番配置和调试。