本文探讨了通过元学习算法为联邦学习实现个性化的可能性。结果表明，联邦平均算法可以被解释为一种元学习算法，并且通过细致的微调，可以得到更准确、更易于个性化的全局模型。

Sep, 2019

本文提出了一个联邦元学习框架 FedMeta，其中共享参数化算法而非全局模型以解决分布式移动设备网络中训练机器学习模型的统计和系统挑战，并在数据集上进行广泛实证研究，结果显示 FedMeta 相比于联邦平均 FedAvg 能够在 2.82-4.33 倍的通信成本和更快的收敛速度上取得 3.23%-14.84% 的准确性提升，并对用户隐私进行保护。

Feb, 2018

提出了一种将联邦学习与元学习技术相结合的新框架，通过学习数据批次的上下文信息并使用该知识生成调制参数来动态调整基础模型的激活，从而实现了联邦学习的效率和泛化能力的提高。实验结果表明，与现有的联邦学习方法相比，这种方法在收敛速度和模型性能方面都有所提高，突出了将上下文信息和元学习技术融入联邦学习的潜力，为分布式机器学习范式的进步铺平了道路。

Dec, 2023

本文提出了一种基于个性化的联邦学习方法，通过层次化的变分推理对异构客户端进行建模，并借助贝叶斯元学习技术提取共性结构，将其转移到各自的任务中，从而生成准确的客户端特定近似后验分布，该方法在大量实证研究中显示出卓越性能。

Jul, 2023

在异步更新的条件下，我们研究了个性化联邦学习问题。我们考虑了两种基于优化的个性化框架，并通过去除同步通信的假设和扩展函数类来提高其可扩展性。我们的主要技术贡献是确定性地证明，对于平稳和非凸函数类，我们的方法可以收敛到一阶稳定点，同时实验证明了我们的方法的性能和对过时数据的容忍度。

Oct, 2022

本论文提出了一种弹性约束方法，通过使用历史本地调整模型来限制内循环的方向，以改善联邦学习中元学习的不稳定性以及对于客户端的个性化更新，它通过适应本地数据分布，共同训练出效果更好的模型，此方法在三个公共数据集上取得了最佳效果。

Jun, 2023

该论文研究了联邦学习（FL）的个性化策略问题，并介绍了一种通过元网络（meta-nets）在 FL 网络中学习个性化策略的框架，该框架通过学习元网络的批量归一化和学习率参数来为每个客户端生成定制的个性化策略。实证结果表明，该框架在标签偏移和特征偏移情况下优于多种标准的手工个性化基线方法。

Oct, 2023

本文介绍了 FedPer，一种基本 + 个性化层式的联邦深度前馈神经网络训练方法，旨在对抗数据异质性的负面影响，提升联邦学习的训练效果。FedPer 的有效性在 CIFAR 数据集和 Flickr 个性化图像美学数据集上得到了证明。

Dec, 2019

我们提出了一个新的去中心化个性化在线联邦学习设置，用于在在线环境中学习，在每个客户端上学习个性化模型，并在去中心化环境中学习。我们解决了两个技术挑战：如何通过优化本地模型的性能来聚合来自邻近客户端的共享模型参数，并通过学习的聚合权重选择最有帮助的邻居减少通信成本。

Nov, 2023

我们提出了一种快速自适应联邦元学习（FAM）框架，用于协同学习单个全局模型，并可以在各个客户端上进行个性化定制。实验结果表明，在有限的迭代次数内，每个客户端的个性化客户端模型优于本地训练模型，从而显示出 FAM 机制的有效性。此外，通信开销大大减少，使该方案适用于资源有限的网络。

Aug, 2023