本文介绍了机器学习发展的过程及其在领域自适应和领域泛化方面的应用，重点介绍了联邦域泛化的概念和相关算法，分类为联邦域对齐、数据处理、学习策略和聚合优化，并提供了常用的数据集、应用、评估和基准，这些研究对解决在不同领域和分布数据上广泛存在的泛化问题具有重要意义。

Jun, 2023

通过分析频率在域差异中的影响，Frequency-mixed Single-source Domain Generalization method (FreeSDG) 利用混合频谱增强单源域，同时在域增强中构建自我监督来学习上下文感知的鲁棒表示，从而提高分割模型的泛化能力。实验证明了该方法的有效性，并显著改进了分割模型的泛化能力，对于提升医学图像分割模型的泛化能力，尤其是在数据标注稀缺时，FreeSDG 提供了一个有前途的解决方案。

Jul, 2023

通过在医疗领域分布式的多个机构之间协作学习一个全局模型，联合学习有助于实现数据无需集中的目标。本研究首次尝试评估来自不同领域的本地数据的信息量，并提出了一种称为 Federated Evidential Active Learning (FEAL) 的新方法来处理领域转移下的数据评估。通过引入 Dirichlet 先验分布，我们能够将预测视为概率空间上的分布，并利用基于 Dirichlet 的证据模型来捕获不确定性。然后，我们使用这种不确定性来校准随机不确定性，并采用多样性放松策略来减少数据冗余并保持数据多样性。通过广泛的实验和分析，我们证明了 FEAL 在联合主动学习框架下优于现有主动学习方法的特点和效率。

Dec, 2023

Cluster-driven Graph Federated Learning (FedCG) proposes a novel method for learning a central model in privacy-constrained scenarios, overcoming statistical heterogeneity by identifying domains via FL-compliant clustering, instantiating domain-specific modules, connecting them through Graph Convolutional Networks (GCNs), and learning to cluster unsupervised via teacher-student classifier-training iterations to achieve state-of-the-art results on multiple Federated Learning benchmarks.

Apr, 2021

本文提出了一种适用于二维外科图像分割的跨域适应解决方案，明确考虑不同中心分布式数据集的隐私保护问题，通过构建客户端 - 服务器深度联邦架构，利用不变的参数和区分不同域的客户端特定参数实现了解决数据共享难题并取得了更好的实验结果。

Jun, 2023

本文提出一种基于体验回放和生成对抗网络思想的联合和分散学习策略，名为 FedER，它可以在保持隐私的同时整合本地节点的特征，提供能够横跨多个数据集的模型，以实现对结核和黑色素瘤分类的准确诊断

Jun, 2022

提出了 FedADG 方法，利用联邦对抗学习来实现域泛化，通过将每个分布与参考分布匹配，逐个类别进行对齐来细粒度地对齐分布，学习到的特征表示可以很好地泛化到未见过的域。

Nov, 2021

本研究提出了 FedSM 框架，以避免客户端漂移问题并成功解决中心化训练的泛化差距，为医学图像分割任务提供了一种新方法。同时，提出了个性化的联邦学习目标制定和新方法 SoftPull 来解决它。在深度联邦学习的现实医学图像分割实验中验证了我们提出方法的有效性。

Mar, 2022

采用新的真实数据分布，提出一种名为 FedIIC 的隐私保护框架，该框架通过类内对比学习和共享全局样本的类间对比学习进行特征提取器的校准来缓解训练造成的偏差，并使用考虑难度的逻辑调整构造 softmax 交叉熵损失以确保所有类别的平衡决策边界。在公共可用数据集上的实验表明，FedIIC 在处理两种耦合问题的同时，具有更优越的性能。

Jun, 2022

提出了一种创新的基于超网络的联邦融合算法 hFedF，用于解决联邦领域泛化中个性化和泛化之间的权衡问题，并在多个案例中，在联邦领域泛化的三个常用数据集上超越强基准性能。

Feb, 2024