提供36种传统和个性化联邦学习算法，涵盖3种场景和20个数据集。专注于统计异质性数据，支持高效GPU内存使用及新增的隐私保护功能。新手用户通过简单的示范指南即可快速上手，参与贡献算法、数据集和评估指标。支持非独立同分布和不均衡数据，并可在多达500个客户端上进行训练模拟。

Linfa是一个用Rust语言开发的开源机器学习工具库，为常见ML任务提供全面解决方案。它实现了多种算法，包括聚类、降维、回归和分类等，并具备数据预处理功能。Linfa支持多种BLAS/LAPACK后端，可满足不同性能需求。这个项目旨在为Rust生态系统构建一个活跃的机器学习社区。

Tianshou是基于PyTorch和Gymnasium的强化学习框架,提供高性能、模块化设计和友好接口。支持在线、离线、多智能体及基于模型的算法,兼顾实现简洁和灵活性。特点包括向量化环境、RNN训练、自定义状态/动作等。框架涵盖多种先进算法,配有完善文档和测试,适合研究和应用开发。

MORL-Baselines是一个多目标强化学习算法库，提供多种PyTorch实现。该项目遵循MO-Gymnasium API，支持单策略和多策略算法，适用于SER和ESR标准。特点包括自动性能报告、代码规范和自动测试。实现了GPI-LS、MORL/D等多种算法，支持连续和离散观察/动作空间，为MORL研究和基准测试提供有力支持。

OfflineRL-Kit是基于PyTorch的离线强化学习库，提供清晰的代码结构和最新算法实现。支持CQL、TD3+BC等多种算法，具备高扩展性和强大的日志系统。该库还支持并行调优，便于研究人员进行实验。相比其他离线强化学习库，OfflineRL-Kit在性能和易用性方面都有显著优势，是离线强化学习研究的有力工具。