研究 Federated Semi-Supervised Learning 问题的两种场景，提出了 FedMatch 方法，通过广泛的实验验证，表明该方法优于本地半监督学习和将联邦学习与半监督学习简单结合的基线。

Jun, 2020

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

在本研究中，我们提出了 FedLabel 方法，该方法可以在标签有限的本地数据情况下，通过全局模型或本地模型对未标记数据进行伪标记，进而利用全局模型和本地模型的知识，通过全局 - 本地一致性正则化提高模型的泛化能力，它不需要额外的专家、通信参数，也不需要服务器标记数据或完全标记的客户端数据，并在跨设备和跨网络隔离设置中表现优于其他半监督联邦学习方法和完全监督方法。

Jul, 2023

本论文提出了一种针对医学图像分割的新型联邦半监督学习框架，引入了客户端内和客户端间的一致性学习，通过客户端合作训练的变分自编码器（VAE）协助实现，相比其他联邦半监督学习方法，实验结果表明本方法性能更好且避免了大量的计算和通信开销。

Mar, 2024

本研究引入预训练扩散模型到联邦学习中，提出了 FedDISC 方法来解决高通信成本、客户端负担和分布差异等挑战，该方法有效地解决了非独立同分布客户端上的一次半监督问题，并通过可视化证明了数据隐私的保密性。

May, 2023

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

本研究旨在提供在现实环境下使用半监督学习来评估联邦学习的参考标准，其重点在于联邦自监督学习的研究，以利用移动设备上存在的大量异构未标记数据。通过使用多个现实异构人类活动识别数据集，本研究表明标准轻量级自编码器和标准联邦平均无法学习人类活动识别的稳健表示，这些发现证明了需要加强联邦自监督学习的研究。

Jul, 2022

用于自动驾驶的半监督联邦目标检测（SSFOD）框架：SSFOD 是一种针对分布式数据源的模型训练框架，其中服务器端只有部分标注数据，客户端拥有未标注数据。FedSTO 是一个两阶段的策略，包括选择性训练和正交增强全参数训练，通过数据转移和区分度增强来有效解决服务器和客户端之间的数据差异。该方法在自动驾驶数据集上验证了其有效性，并表现出与完全监督集中训练方法几乎相当的性能。

Oct, 2023

提出了一种新的联邦学习方案，其中服务器与本地模型合作，通过交换类别的中心来保持一致的决策边界，实现了在网络中使用带有给定噪声的标签的一致决策边界。同时，还提出了选择有自信的样本来更新模型以及全局引导的伪标签方法来更新不自信的样本标签。在嘈杂的 CIFAR-10 数据集和 Clothing1M 数据集上的实验证明，该方法在使用有噪声的标签的联邦学习中非常有效。

Dec, 2020