异构设置下联邦自监督学习：在 HAR 上基线方法的限制

MMJul, 2022

异构设置下联邦自监督学习：在 HAR 上基线方法的限制

Federated Self-Supervised Learning in Heterogeneous Settings: Limits of a Baseline Approach on HAR

Sannara Ek, Romain Rombourg, François Portet, Philippe Lalanda

TL;DR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。

Abstract

federated learning is a new machine learning paradigm dealing with distributed model learning on independent devices. One of the many advantages of federated learning is that training data stay on devices (such a

federated learning self-supervised learning mobile devices human activity recognition semi-supervised learning

发现论文，激发创造

异构客户端的联邦自监督学习

提出了一种名为 Heterogeneous Self-supervised Federated Learning（Hetero-SSFL）的统一框架，可以在异构客户端上进行协作表示学习，同时解决了系统异质性和标记数据匮乏等问题，并在非凸目标的异构性设置中提供了收敛保证，而且比现有方法表现更佳。

May, 2022

带异构标签和模型的资源受限联邦学习

本文提出了一个应对标签异质性的框架，该框架通过简单的 α 加权联邦聚合计算分数获得了最多 16.7% 的平均确定性准确性提高，并在树莓派 2 上进行了实验以演示其设备内功能。

Nov, 2020

自供：面向 IoMT 数据异构性和标签稀缺性的自监督联邦学习

本文提出了基于自我监督学习的联邦学习框架 SelfFed，通过分为预训练和微调两个阶段并使用增强建模和对比学习网络等策略，以解决标签缺乏和数据分布异质性等问题，实验结果在医学图像数据集上表现更好。

Jul, 2023

面向计算受限异构设备的联邦学习：综述

随着越来越多的物联网设备在现场部署，将神经网络的训练卸载到中央服务器变得越来越不可行，本文调查了联合学习在克服异构性挑战方面的应用和益处。

Jul, 2023

FedPH: 增强隐私的异构联邦学习

提出一种新的联邦学习方法，利用预训练模型作为本地模型的骨架，使用完全连接的层组成头部来解决客户端数据分布和计算资源不同的问题，在客户端之间共享类别的嵌入向量，采用加噪声的隐私保护混合方法来保护隐私，最后在自建车辆数据集上进行全面评估。

Jan, 2023

SemiFed: 带一致性和伪标记的半监督联邦学习

本文提出了一种名为 SemiFed 的新框架，它将一致性正则化和伪标记方法融合到了联合学习中，以解决跨数据中心联合学习中的部分标记问题，并证明了该方法在同质化和异质化数据分布设置下的有效性。

Aug, 2021

无需完整标记的联邦学习综述

本研究探讨了如何利用无标签数据与机器学习技术解决联邦学习（FL）中无全标签数据的问题，并提出了半监督学习、自监督学习和迁移学习方法，对用于评估无标签 FL 方法的数据集进行了总结，最后还在无全标签 FL 上强调了未来的研究方向。

Mar, 2023

Meta-HAR：基于联邦表征学习的人类活动识别

本文提出一种元学习的联邦表示学习框架 Meta-HAR，将信号嵌入网络联邦元学习，再将学习到的信号表示馈入每个用户的个性化分类网络进行活动预测，从而在维持高测试准确性的同时实现了个性化，并且在多个基线测试中表现显著优于 Federated Averaging、Reptile 和甚至某些情况下的集中式学习。

May, 2021

带有噪声标签的鲁棒联邦学习

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

重思半监督联邦学习：如何同时训练具有完全标记和完全未标记的客户端影像数据

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