联邦学习研究门户
各维度得分依据公开资料与字段推算,加权后即综合评分,仅供参考。
federated-learning.org是聚焦联邦学习（Federated Learning, FL）领域的垂直资源聚合公益门户，由新加坡人工智能与数据治理研究院（AISG）资助的两大官方研究项目联合运营——分别是南洋理工大学（NTU）主办的Trustworthy Federated Ubiquitous Learning（TrustFUL）实验室，以及新加坡国立大学（NUS）主办的「面向可信模型中心共享的协作机器学习」项目，资源权威性具备强学术背书，核心定位是为全球联邦学习研究者、从业者提供一站式的领域信息索引服务。
平台的资源覆盖联邦学习领域的全链条需求：一是学术出版物，目前收录了6本领域权威专著，既包含Springer出版的《联邦学习：隐私与激励》《可信联邦学习》等国际核心出版物，也覆盖杨强等国内学者所著、电子工业出版社出版的《联邦学习》《联邦学习实战》等中文经典教材；二是行业活动，目前已更新至2026年的全球顶会相关专场，涵盖NeurIPS、ICML、IJCAI、KDD等AI顶会的联邦学习专题研讨会、IEEE TNNLS等顶刊的特刊征稿信息，活动覆盖亚太、欧美、中东等全球主要学术区域；三是工具与学习资源，整理了Flower、FATE、Tensorflow Federated等7大主流联邦学习开源框架，提供MNIST联邦学习实战等入门教程与演示视频，汇总LEAF等联邦学习基准数据集，同时跟进IEEE P3652.1联邦机器学习工作组等官方标准化动态。
平台整体为纯公益性质，所有资源完全免费开放，无任何付费内容、订阅套餐或增值服务，无需注册登录即可浏览全部信息。中国用户可直接访问，无需使用代理工具。
优势方面，平台资源覆盖度全面，从入门学习的教材、教程，到研究所需的顶会征稿、基准数据集，再到产业落地所需的框架选型、标准化动态均有覆盖，且兼顾中英文资源，信息更新时效性强，2026年的顶会活动已上线预告，同时学术背书可靠，无任何访问门槛。
缺点方面，平台仅做纯资源罗列，未设置站内搜索功能，海量内容查找效率较低；部分资源仅提供名称与基础信息，未直接关联原文跳转、活动报名通道等实用入口；无社区互动、在线实验等增值功能，且仅支持英文界面，对中文入门用户不够友好。
平台核心适配联邦学习领域的高校研究人员、计算机专业师生、企业AI算法工程师、标准制定参与者，也适合想要系统了解联邦学习领域生态的AI产业从业者。
本测评基于公开资料整理,不构成购买建议,请以 federated-learning.org 官网实际信息为准。
汇总FL书籍、会议和标准化资源。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。