我们提出了一种名为 FCCA 的联邦 cINN 聚类算法，通过将客户端的私有数据转换为多元高斯分布，学习编码的潜在特征，以达到客户端聚类和改善全局模型性能的目的。实验结果表明，FCCA 在各种模型和数据集上的性能优于其他最先进的集群联邦学习算法，表明我们的方法在提高现实世界中联邦学习任务的效率和准确性方面具有巨大的潜力。

Sep, 2023

在本文中，我们提出了一种自适应的聚类联邦学习框架，名为 FedAC，它通过解耦神经网络并为每个子模块使用不同的聚合方法，有效地将全局知识融合到簇内学习中，同时采用一种经济高效的在线模型相似度度量基于降维技术，以及一个用于改进复杂异构环境中自适应性和可扩展性的簇数微调模块。广泛的实验结果表明，相较于现有方法，FedAC 在不同的非独立同分布设置下，CIFAR-10 和 CIFAR-100 数据集的测试准确率分别提高了约 1.82% 和 12.67%。

Mar, 2024

基于已发布的堆叠联邦学习（FedStack）框架，本研究提出了一种新颖的聚类联邦堆叠（Clustered FedStack）框架，通过采用三种聚类机制，并结合贝叶斯信息准则（BIC）和循环学习率方法，能有效克服联邦学习中的数据分布不同和标签不平衡的问题，优于基准模型的性能。

Sep, 2023

本文提出了一种针对非独立同分布问题的新型聚类联邦学习方法 StoCFL，它实现了一种灵活的 CFL 框架，支持不同比例的客户端参与和新客户端加入，而且在保持模型性能的同时获得了良好的聚类结果。

Mar, 2023

FedClust 是一种聚类联邦学习方法，利用局部模型权重和客户数据分布之间的相关性将客户分组成簇，并动态地实时适应新加入的客户，实验结果表明 FedClust 在准确性和通信成本方面优于基线方法。

Mar, 2024

本文讨论了联邦学习中拜占庭机器的对抗攻击问题，提出了一种具有鲁棒性的迭代联邦聚类算法来识别非拜占庭机器的集群成员身份并优化每个集群学习的模型。

Jun, 2023

本文关注于联邦聚类问题，提出了一种用于联邦学习的延伸模糊 C 均值算法，并通过数值实验评估了其行为，其中一种方法即使在复杂情况下也能够确定良好的全局聚类中心，但也认识到许多挑战的问题仍然存在。

Jan, 2022

本研究提出了一种新颖的集群型联邦学习框架，使得具有非独立同分布数据的分布式边缘设备能够自主地以分布式方式形成若干个集群，并在每个集群内实现联邦学习训练。通过引入联邦学习和损失协同的分布式聚类方法，本研究克服了联邦学习中的两个挑战，并证明所提出的集群型联邦学习算法与现有基准相比，可以将聚类迭代次数减少多达 99%。

Nov, 2023

本研究提出了一种基于聚类的联邦多任务学习框架（Clustered Federated Learning），可在保持数据隐私性的同时，更好地解决联邦学习中本地数据分布不同的问题，并在深度卷积和循环神经网络上进行实验证明了其有效性。

Oct, 2019

通过综合研究当前对聚类型联邦学习方法，本文提出了一个四层框架（HCFL），并针对每一层中当前聚类方法面临的挑战提出了一个增强聚类方法 HCFL+，通过广泛的数值评估展示了我们的聚类框架和改进组件的有效性。

Oct, 2023