通过使用分层个性化的联邦学习框架，本研究提出了一种解决脑机接口领域缺乏多样数据的问题的综合方法，能够提升脑电图（EEG）解码的分类性能并充分利用来自不同设备的数据集之间的知识共享，为解决该问题提供了全新的端到端解决方案。

Aug, 2023

本文提出了一种基于联邦学习的隐私保护深度学习架构，名称为 FTL，用于 EEG 分类，通过领域自适应技术从多个受试者的 EEG 数据中提取共同的区分信息。在实验中，FTL 方法在保护隐私的前提下，相对于其他最先进的 DL 架构，在 2 类动作想象分类任务中进行了性能评估，表现出更好的性能。

Apr, 2020

该研究提出了一种基于声誉的威胁缓解框架，针对联邦学习中的脑电图（EEG）信号分类的潜在安全威胁进行防御。实验证明该框架在 EEG 信号分类方面表现良好，同时降低了与安全威胁相关的风险。

Oct, 2023

提出一种新的联邦学习方法，利用预训练模型作为本地模型的骨架，使用完全连接的层组成头部来解决客户端数据分布和计算资源不同的问题，在客户端之间共享类别的嵌入向量，采用加噪声的隐私保护混合方法来保护隐私，最后在自建车辆数据集上进行全面评估。

Jan, 2023

本研究提出一种新方法来解决联邦学习中的问题，并在本文所述的公开基准数据集（如 Femnist）以及自己收集的数据集（即流量分类）上验证了该方法的有效性，结果表明这种方法在极端情况下具有显著的优势。

Nov, 2020

本研究探讨基于数据异构和移动性的分层联邦学习，通过分析其性能并利用移动性改善数据异构，结果表明移动性可以提高 15.1％的模型准确性。

Jun, 2023

异构联邦学习领域中，关键挑战是在具有不同数据分布、模型结构、任务目标、计算能力和通信资源的多个客户端之间高效协作训练模型。本文首先概述了异构联邦学习的基本概念，并从数据、模型、任务、设备和通信五个方面总结了在联邦学习中的研究挑战。此外，我们探讨了现有最先进的方法如何应对异构联邦学习的异质性，并将这些方法在数据级别、模型级别和架构级别进行分类和回顾。随后，本文详细讨论了在异构联邦学习环境中的隐私保护策略。最后，本文讨论了目前存在的开放问题和未来研究方向，旨在推动异构联邦学习的进一步发展。

May, 2024

本文介绍了使用深度学习技术从脑电图（EEG）记录中学习区分特征的几种策略，并比较了其效果。这些策略包括跨试验编码，相似性约束编码和 Hydra-nets。通过使用公开可用的 OpenMIIR EEG 数据集对这些策略进行了评估。

Nov, 2015

使用机器学习方法估计异质治疗效应（HTE）可以在各个领域（如医疗保健、政策制定、教育等）中实现大规模个性化决策。本文提出了一种通过联邦学习在机构之间进行协作学习 HTE 估计器的新框架，实现了在各个机构之间同时学习共同特征表示和不同干预措施下的特定预测函数。我们的框架还通过多任务学习利用表格转换器将多个输入数据映射为特征表示来进行结果预测，并提出了一种适用于异质输入特征空间的个性化转换器的联邦训练方法。实验结果表明了我们的方法的有效性。

Feb, 2024

通过对异构联邦学习中的研究挑战和最新方法的概述，提出了一种新的现有方法分类法，并讨论了异构联邦学习的关键和具有潜力的未来研究方向。

Jul, 2023