FedFace: 人脸识别模型的协作学习
本论文提出了一种基于联邦学习的面部识别框架，名为 FedFR，它通过提出的解耦特征自定义模块共同优化对应客户的个性化模型，从而在保护隐私的情况下提高了通用面部表征的质量，同时最大限度地满足了本地设备已注册身份的优化面部识别体验的需求，并且在多个联邦学习场景下进行的实验结果表明，该框架优于以往的方法。
Dec, 2021
通过使用联邦学习（包括有和无安全聚合器）在受监督和无监督的人脸识别系统中进行训练，我们的实验结果表明联邦学习既保护了隐私又实现了与单独模型几乎相同的性能。我们的研究工作揭示了隐私保护的人脸图像训练中的实际挑战，尤其注重隐私和准确性的平衡问题。
Mar, 2024
通过使用隐私敏感的 DPLC 机制和全局一致性感知损失函数，本文提出了 PrivacyFace 框架来改善联邦学习人脸识别，该框架在 IJB-B 和 IJB-C 上分别提高了 9.63% 和 10.26% 的精确率，并在大规模数据集上的大量实验中证明了其有效性和实用性。
Jan, 2022
提出了一种简单但有效的联邦人脸识别框架 AdaFedFR，通过设计一种自适应的类间表示学习算法，在严格保护隐私的情况下提高泛化性能和联邦训练的效率。实验结果表明，该方法在几个常见的人脸识别基准上优于以前的方法，仅用不到 3 次通信轮次，展现出友好的通信性能和高效性。
May, 2024
本研究提出 FedGC 框架，通过梯度修正和基于 softmax 的正则化器，实现人脸识别的联邦学习并提高隐私保护，实验证明 FedGC 在常用基准数据集上的性能达到了传统集中式方法的水平。
Dec, 2021
本研究通过创新性地使用联邦学习方法，解决数据隐私和高效疾病诊断的双重挑战，以提高医学图像分类的准确性和效率，展示了联邦学习在磁共振成像（MRI）脑肿瘤检测中的应用效果，并强调了解决数据异质性的重要性和拓展联邦学习在医学图像分析中的研究方向。
Apr, 2024
本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。
Feb, 2023
该论文综述了联邦学习在计算机视觉应用中的最新进展，比较了联邦学习和传统集中式训练方法，提出了一个联邦学习在计算机视觉中的技术分类和应用安全威胁的分类，讨论了实施区块链在计算机视觉中的隐私关注，并总结了现有的隐私保护方法，同时指出了未来的研究方向。
Aug, 2023
应用自监督学习的联邦学习框架，通过使用 Vision Transformer 作为共识特征编码器进行无监督预训练，能够在各种真实非 IID 医学图像数据集上进行有效的表示学习，为多任务基础建模提供潜在的方法。
Jun, 2024