提出两种新颖的联邦学习方案，通过在网络上引入设备数据的冗余来减轻迟滞设备的影响。其中，CodedPaddedFL 通过采用一次性填充与梯度编码相结合的方式实现了迟滞器的韧性，同时保持了常规 FL 的隐私级别；CodedSecAgg 则改进了 Shamir 的秘密共享，以实现模型翻转攻击防范，并提高了性能表现。实验结果表明，以上两种方案对于 MNIST 数据集均可实现 95% 的准确度，其中，CodedPaddedFL 仅需 120 台设备即可实现 18 倍的加速，而 CodedSecAgg 则表现出比 LightSecAgg 更出色的性能表现。

Dec, 2021

本文介绍了自适应编码联邦学习（ACFL）的方法，其中在训练之前，每个设备上传一个带有加性噪声的编码本地数据集到中央服务器，以满足隐私保护要求产生全局编码数据集，通过设计聚合权重的自适应策略，聚合来自非滞后者的梯度和来自全局编码数据集的梯度，在隐私和学习性能优化方面进行性能分析，并进行模拟实验证明 ACFL 的优越性。

Mar, 2024

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

CodedFedL extends CFL to distributed non-linear regression and classification problems with multioutput labels by exploiting distributed kernel embedding using random Fourier features that transforms the training task into distributed linear regression, providing an analytical solution for load allocation and significant performance gains over benchmark datasets using practical network parameters.

Jul, 2020

通过设计基于随机稀疏化算法的梯度稀疏化联邦学习框架，该框架在无线信道上进行训练，提升了训练效率且不牺牲收敛性能，同时降低了差分隐私所引起的性能下降和无线信道传输参数数量。

Apr, 2023

该研究提出了一种混合联邦学习算法（HFL），通过引入异步更新器和自适应延迟 SGD（AD-SGD）等方法，有效解决了异构优化问题中慢设备所带来的训练效率和学习效果不平衡的问题，且算法收敛速度为 $O (1/t+τ)$。

Feb, 2021

本研究提出了一种编码联邦学习方法，解决了异构计算平台上 (如无线边缘) 的迟滞计算和通信以及时模型更新的问题，并通过预计算冗余渐变来加速全局模型收敛达四倍以上。

Feb, 2020

使用不变的消失法 (FluID) 和自适应训练框架来解决异构训练环境中的低性能设备导致的性能瓶颈问题。

Jul, 2023

本文提出了一个新的编码理论框架用于缓解分布式学习中的滞后问题，并使用 MPI 在 Amazon EC2 上实现了该方案，得出其在运行时间和泛化误差方面比基准方法更优秀的结论。

Dec, 2016

本文提出了一种直接在数据中嵌入冗余来处理缓慢任务的新方法，通过一些编码技巧将复制数据的策略转换到线性计算过程中，从而利用节点的任意变化在没有等待慢节点的情况下完成散列计算，并通过实验结果表明此方法的优势。

Nov, 2017