项目简介：面临数据孤岛、高计算成本和隐私安全等挑战，联邦学习（Federated Learning）框架应运而生，允许在设备端进行模型训练，以应对解决数据隐私和数据整合挑战。然而，联邦学习自身也存在数据和硬件的高度异构性的场景，本项目旨在针对此场景进行剖析与优化，通过感知硬件资源和解析数据分布，为每个训练端定制加速优化决策，以实现全局最小化的训练资源开销。在有效保护个人隐私、安全的前提下，可为各行业、政府的联邦学习运营者带来经济与民生效益。