提出了一种基于 MAFL 框架和 FedMix 算法的联邦学习方法，可保护隐私并在高度非独立同分布的情况下获得比传统算法更好的性能。

Jul, 2021

提出 Mix2FLD，一个新的通讯高效且隐私保护的分布式机器学习框架，用于解决上下行容量不对称问题。混合线性上传本地样本，并在服务器上反混合不同设备的样本，以保持隐私并提高准确性和收敛速度。在不对称上下行信道下，与联邦学习相比，Mix2FLD 可以使测试准确率提高多达 16.7％，收敛时间减少多达 18.8％。

Jun, 2020

我们介绍了一种在硬件受限环境中用于实现客户端适应性的隐私保护、资源高效的联邦学习概念。通过在源数据上进行服务器模型预训练，并在低端客户端上对目标数据进行细调，我们的方法通过从源域和目标域数据近似的实例级特征统计的概率混合来简化本地客户端适应过程。适应参数传回到中央服务器后进行全局聚合，初步结果表明我们的方法在保持竞争性性能的同时降低了计算和传输成本。

Dec, 2023

本文提出了一种使用生成模型的数据增强框架：多跳联合增强与样本压缩（MultFAug），以加强隐私保护并提高本地训练性能，进一步减少数据集的 IID 性。

Jul, 2019

AdaMix 是一种自适应差分隐私算法，用于使用私有和公共图像数据训练深度神经网络分类器。它采用 few-shot training 和 zero-shot learning 来解决视觉分类中的隐私和准确性之间的权衡问题，并提供强大的理论隐私保证和收敛分析。

Mar, 2022

通过生成合成数据来处理非独立和不同分布的数据之间的困难，从而提出了一种硬特征匹配数据合成方法以及一个数据增强的联邦学习框架来缓解数据异质性， 理论分析和模拟结果验证了提出的方法在解决非独立数据挑战方面的有效性。

Aug, 2023

提出了一种名为联邦蒸馏（FD）的分布式模型训练算法，其通信负载大小比联邦学习（FL）小得多，尤其是当模型大小较大时，并提出了一种名为联邦增强（FAug）的方法来处理设备间用户生成数据样本分布不同的问题。实证研究表明，采用 FD 和 FAug 可以减少约 26 倍的通信开销，同时实现 95-98% 的测试精度。

Nov, 2018

该研究针对非独立同分布数据和联邦学习中的慢节点 / 失联节点的挑战进行了探讨，提出了一种灵活的隐私范式，将部分客户端的本地数据建模为非私有数据，从而在隐私方面提供了更多样化且以企业为导向的视角。同时，该研究通过结合离线数据共享和近似梯度编码技术，提出了一种基于数据驱动的策略，用于减轻标签异质性和客户端慢速运行对联邦学习的影响。通过使用 MNIST 数据集进行数值模拟，我们证明了我们的方法能够实现隐私和效用之间的有意义的权衡，从而改善模型的收敛性和准确性，并且可以利用一部分非私有数据。

Apr, 2024

本文提出了基于 MixMix 的两个简单而有效的技术来解决深度学习研究中面临的用户数据机密保护和模型压缩的问题，同时证明了理论和实验的有效性，比现有的无数据压缩方法在量化、知识蒸馏和剪枝等主流压缩任务上取得了更好的表现。

Nov, 2020

通过对小组之间进行配对混合的数据增广方法，改善组间公平性并提高分类性能，特别是针对少数群体的社会偏见问题。

Sep, 2023