现实世界医疗联邦学习的个性化倒退韧性框架

Oct, 2021

现实世界医疗联邦学习的个性化倒退韧性框架

Personalized Retrogress-Resilient Framework for Real-World Medical Federated Learning

Zhen Chen, Meilu Zhu, Chen Yang, Yixuan Yuan

TL;DR本研究提出了一种个性化的具有逆行韧性的联邦学习框架，该框架使用渐进傅里叶聚合和代理增强转移策略来实现更加稳定和有效的全局知识聚合，以提高现实世界医疗联邦学习中的模型性能。在真实世界的皮肤镜联邦学习数据集上进行的广泛实验表明，该模型优于现有的最先进联邦学习方法，并在分布外团队中具有泛化能力。

Abstract

Nowadays, deep learning methods with large-scale datasets can produce clinically useful models for computer-aided diagnosis. However, the privacy and ethical concerns are increasingly critical, which make it difficult to collect large quantities of data from multiple institutions. federated l

federated learning personalized model progressive fourier aggregation transfer learning dermoscopic fl dataset

发现论文，激发创造

PFA：隐私保护联邦适应以实现模型有效个性化

本文介绍了一种名为 PFA 的新框架，旨在以联邦方式实现更好的个性化结果。PFA 利用神经网络的稀疏性生成隐私保护表示，并使用这些表示来高效识别具有相似数据分布的客户端，从而进行分组并在联邦模型上进行群体式联邦学习来完成自适应过程。该框架能够保障客户端隐私，并在多个 FL 数据集上通过实验证明了其有效性和优越性。

Mar, 2021

FENDA-FL: 面向异构临床数据的个性化联邦学习

该研究通过扩展 FENDA 方法，提出了一种适用于临床应用的联邦学习方法，并在 FLamby 基准和 GEMINI 数据集上进行了实验证明其对异构临床数据具有鲁棒性，并通常优于现有的全局和个性化联邦学习技术。此外，实验结果对原始 FLamby 基准进行了实质性改进，并扩展了该基准以包括个性化联邦学习方法的评估。最后，该研究还提倡建立一个全面的检查点和评估框架，以更好地反映实际情况，并提供多个基准进行比较。

Sep, 2023

通过去中心化的部分模型训练实现更适合个性化的联邦学习

本文提出了一种名为 DFedAlt 的个性化联邦学习框架，采用分散的部分模型训练方法，取得了与目前最先进的基准模型相媲美或更好的状态。该算法通过依次更新共享和个性化参数，在点对点的方式构建局部个性化模型，同时采用局部 SAM（Sharpness Aware Minimization）优化器来更新共享参数，从而有效地解决了模型共享一致性不足和通信成本过高等问题。

May, 2023

个性化联邦学习基于堆叠

使用堆叠泛化的新型个性化方法，在保护隐私的情况下，直接发送模型来训练元模型，并在水平、混合和垂直分区联邦中适用各种模型类型和隐私保护技术，从而创建更适合个体客户数据的多个模型，并通过多方面评估每位客户对联邦的贡献。

Apr, 2024

FedFR: 通用与个性化人脸识别联合优化联邦学习框架

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

PFL-GAN：当客户异质性遇到生成模型于个性化联邦学习

最近发展的生成学习模型伴随着对基于生成对抗网络的联邦学习（FL）的增加兴趣。在 FL 的背景下，GAN 能够捕捉基本的客户数据结构，并能够重新生成类似于原始数据分布但不会泄露私有原始数据的样本。我们提出了一种针对 FL 中的客户异质性的新型 GAN 共享和聚合策略，即个性化 FL（PFL）。所提出的 PFL-GAN 在不同场景下解决了客户异质性问题。通过在几个知名数据集上进行严格实验的经验证明，PFL-GAN 的有效性。

Aug, 2023

个性化联邦学习的分散指导协作

个性化联邦学习（PFL）在每个客户端寻找最优个性化模型，我们提出了一种分布式的个性化联邦学习（DPFL）框架，通过引入随机梯度推送和部分模型个性化，实现了线性分类器的个性化，达到了更好的收敛速度。

May, 2024

异构和长尾数据上的多层个性化联邦学习

MuPFL 是一种创新的个性化联邦学习框架，通过多层次结构完全利用不同层次的计算资源，解决数据异质性对模型偏差的影响，缓解过拟合、加速训练，提高分类准确性，并在非独立同分布和长尾条件下取得显著的有效性和效率方面的进展。

May, 2024

PRIOR: 个性化先验用于再激活在联邦学习中被忽视的信息

提出了一种新颖的个性化联邦学习方案，通过向每个客户端的全局模型注入个性化先验知识来减轻个性化联邦学习中引入的不完整信息问题，在个性化场景中具有更大的适应性，通过收敛分析和大量实验结果验证了该方法的鲁棒性和必要性。

Oct, 2023

FedGEMS: 通过选择性知识融合进行较大服务器模型的联合学习

研究围绕联邦学习，提出使用强大的服务器模型帮助边缘设备解决模型容量问题，通过选择性地从多个客户端和自己进行学习，开发了深度知识并返回给客户端，取得了在图像分类任务中的优秀性能。

Oct, 2021