通过 Lyapunov 优化的公平感知联邦用户选择（FairFedCS）方法可以在联邦学习中动态调整联邦用户的选择概率，根据联邦用户的声誉、参与联邦任务的次数和对最终模型性能的贡献，共同考虑性能和公平性。在真实的多媒体数据集上进行的大量实验表明，FairFedCS 平均实现了 19.6% 更高的公平性和 0.73% 更高的测试准确性，超过了最佳性能的现有方法。

Jul, 2023

本文提出了一种基于梯度遮蔽平均的联邦学习方法，该方法通过学习恒定的不变机制来忽略异构性数据中不同的机制，避免因为主导客户端的偏见导致的信息损失和泛化性能不佳，实验证明该方法在非独立同分布数据集上提供了一致的改进。

Jan, 2022

本文提出了 FL Games，这是一个博弈理论框架，旨在通过学习跨领域不变关系来改善联邦学习中的预测模型泛化，FL Games 在多个基准测试中展现了高超的领域外表现。

May, 2022

本文旨在解决集中式人工智能模型训练时可能存在的隐私泄漏问题。作者提出一种公平保障的客户选择算法，其根据 Lyapunov 优化问题进行建模，通过 C2MAB 估计模型交换时间，称为 RBCS-F。通过理论分析和真实数据实验，证明了该算法的可行性和实用性。

Nov, 2020

本文提出了第一个针对不同客户的异构和相关可用性的 FedAvg 类 FL 算法的收敛分析，发现相关性如何不利地影响算法的收敛速率，并且介绍了一种新的算法 CA-Fed，在最大化收敛速度和最小化模型偏差之间寻求平衡，同时忽略了可用性低和相关性大的客户。实验结果表明，CA-Fed 在合成数据集和实际数据集上比 AdaFed 和 F3AST 等现有算法具有更高的时间平均准确性和更低的标准差。

Jan, 2023

该研究系统综述了联邦学习中客户端选择的挑战、解决方案和评估指标，研究发现主要挑战为异构性、资源分配、通讯成本和公平性，常用的解决方案是改进随机选择算法并评估测试准确率与通讯轮数之间的关系。

Jun, 2023

本文提出了一种客户端选择的分类法，以便比较不同的方法，旨在在机器学习这个有前途的领域中，为未来的研究提供方向。

Sep, 2022

该研究提出了一种新的算法，为参与联邦学习训练的客户分配自适应聚合权重，识别出最有利于特定学习目标的数据分布，实验证明通过该算法引导的合作在传统的联邦学习方法上取得了更好的表现，强调了客户选择的重要性。

Feb, 2024

提出了一种称为 SocFedCS 的新的基于 Lyapunov 优化的优化客户端选择方案，其通过信任网络在移动联邦学习网络中最小化成本并训练高质量的联邦学习模型，在四个真实世界的多媒体数据集上的实验表明，它的平均测试准确率比最佳基线高 2.06％，成本低 12.24％。

May, 2023

本文提出一种名为 FedMR 的新颖、高效的联邦学习模式，通过重新组合每个客户端的收集本地模型的每一层来获得新的模型进行本地训练，从而实现更好的推理性能和客户端隐私保护。实验结果表明，与现有的联邦平均（FedAvg）方法相比，FedMR 在更快的时间内显著提高了推理准确性。

May, 2023