我们提出了一个联邦主动学习（FedAL）框架，通过在医学图像分析中周期性和交互式地执行主动学习，从而减少标注数据量、保护患者隐私，并保持联邦学习的性能。在真实的皮肤镜数据集上验证了我们的框架，在只使用 50％的样本的情况下，在皮肤病变分类任务上取得了与全数据联邦学习相媲美的性能。

Jun, 2024

本论文研究了一个名为 Federated Semi-supervised Learning 的实际而具有挑战性的问题，旨在通过联合利用标记和未标记客户的数据来学习联邦模型，并提供了一种新颖的方法来通过与新的客户关系匹配方案来改进传统的一致性正则化机制在实际医院数据集上的有效性得到了证明。

Jun, 2021

本文提出了一种名为 FedCy 的联邦半监督学习方法，该方法结合了 FL 和自监督学习，利用带标签和未标记视频的分散式数据集，提高了手术分阶段识别任务的性能。我们证明了与最先进的 FSSL 方法相比，在新采集的多机构数据集上对于腹腔镜胆囊切除术的手术阶段自动识别任务有明显的性能提高，并且当测试数据来自于看不见领域时，该方法还学会了更具有一般性的特征。

Mar, 2022

通过提出的分离联合学习（IsoFed）方案，本文研究了在半监督联邦学习中有效训练具有带标签和无标签客户端的方法，并在四种不同模态的医学图像数据集上评估了模型性能，并在不同的实验设置下验证了所提出方法的有效性。

Oct, 2023

本研究提出了一种名为 FedLSM 的框架，用于在医学图像领域中解决标签集不匹配的问题，并在两个公共实际医学图像数据集上评估 FedLSM，证明其在分类精度上优于其他现有的 FL 算法。

Apr, 2023

本文提出了一种新的 Federatedopen-world Semi-Supervised Learning（FedoSSL）框架，可解决分布式和开放式环境下训练过程中异构分布未知类所导致的偏差，通过使用抑制损失增强聚合效果和校准模块确保知识传递一致，已在 CIFAR-10， CIFAR-100 和 CINIC-10 等真实数据集上进行了验证。

May, 2023

本文提出了一种名为 SemiPFL 的方案，支持边缘用户在服务器上协作训练超网络，为每个用户生成个性化自动编码器，并在收到来自边缘用户的更新后，基于他们自己的标记数据集，本地汇聚生成一组用户的基础模型，并且这个解决方案在处理数据异质性和有限注释方面具有很好的效果，并在处理用户硬件资源异构性的三个实时场景中展示了 SemiPFL 的稳定性。

Mar, 2022

在资源受限环境中，通过介绍聚类正则化和全局更新频率适应的控制算法，我们提出了一种新的训练模型系统，用于解决联合学习中的数据非独立同分布和模型收敛性问题，该系统在减少训练时间和通信成本的同时提高了准确性。

Jul, 2023

ProtoFSSL 是一种新颖的基于原型网络的半监督 FL 方法，它通过轻量级原型实现客户端之间的知识共享，减少了通信和计算成本，并在多个数据集上实现了更高的准确性。

May, 2022

本文提出了 FedAnchor 方法，它是一种创新的半监督学习方法，引入了独特的双头结构（称为锚头），与仅在服务器上进行训练的分类头配对，锚头使用基于余弦相似度度量的新设计标签对比损失，通过减轻伪标签技术中的确认偏见和过拟合问题，显著提高了模型的收敛速度和准确性。

Feb, 2024