FedUReID 是一种基于联邦无监督学习的人物重识别系统，可在维护数据隐私的同时，在边缘计算上进行现场模型训练，通过联合优化云和边缘的个性化训练解决无监督场景下人物重识别问题。实验表明，与现有方法相比，FedUReID 不仅在精度上更高，而且计算成本降低了 29％，可用于解决无标签的多媒体任务。

Aug, 2021

为了解决数据隐私泄露的问题，本研究介绍了一种名为 FedReID 的联邦学习方法，该方法可在保持数据隐私的同时，对包含统计异质性的数据进行训练优化，并通过三种优化方法取得了令人满意的结果。

May, 2022

本文提出了一种自适应联邦关联框架，即 FedRel，在将原始空间 - 时间数据变换为高质量特征后，框架中的核心动态 Inter-Intra Graph (DIIG) 模块能够使用这些特征来生成能够捕捉这些图中隐藏的拓扑和长期时间相关信息的空间 - 时间图。为了提高模型的泛化能力和性能，同时保持本地数据的隐私，我们在我们的框架中设计了一个关联驱动的联合学习模块，以利用不同参与者的多样化数据分布，并集中聚合他们的模型。

Jun, 2022

本文探究了联邦学习在人物再识别（FedReID）中的应用，通过优化算法与架构，使其在真实场景中的异质性数据的表现更佳，并提出两种优化方法以解决模型聚合权重不平衡和收敛困难问题，证明策略的优越性能使其在所有数据集上表现更好。

Aug, 2020

本文研究了分布式概念漂移下的联邦学习，提出了两种新的聚类算法以适应数据异质性和时间变化的漂移，并且通过实验验证表明它们的准确性显著优于现有的基线算法，接近理想算法。

Jun, 2022

本文提出了一种基于联邦学习的人员重识别模型 ——FedReID，采用了去中心化的训练方式，在保障本地隐私数据不被泄漏的前提下，通过来自多个本地客户端的模型更新，构建了一个面向全局的可推广模型，且其性能优于当下现有的算法。

Jun, 2020

本文综述了现有文献中所提出的基于联邦学习的预测人类移动性、交通预测、社区探测、基于位置的推荐系统和其他时空任务的模型，阐述了这些模型所使用的指标和数据集，并与中心化模型进行比较。最后，讨论了在分散式学习中应用时空模型所面临的挑战，并提出了未来研究的机会和方向。

May, 2023

本文提出了一种概念漂移检测系统，利用联邦学习在每次迭代中提供的更新来缓解漂移对模型性能的影响，使用降维和聚类技术，实现了在智能交通系统中不同漂移阶段和系统暴露水平的各种非 iid 场景中检测漂移节点的框架。

Sep, 2021

提出了一种新颖的联邦自适应时空注意力（FedASTA）框架，用于建模动态的时空关系。在客户端节点，FedASTA 从原始时间序列的分解项中提取时间关系和趋势模式。然后，在服务器节点上，FedASTA 利用来自客户端的趋势模式构建自适应时空感知图，捕捉客户之间的动态相关性。此外，我们设计了一个具有静态图和构建的自适应图的掩蔽空间注意力模块，以建模客户之间的空间依赖关系。在五个真实世界的公共交通流数据集上进行的广泛实验表明，我们的方法在联邦场景中取得了最先进的性能。此外，与其他流行的动态时空感知方法相比，在集中设置下的实验证明了我们的新颖自适应图构建方法的有效性。

May, 2024

本文提出了一种新的个性化、时空解耦的人员再识别方法（InSTD）, 其中加入了个性化信息用于狭窄化搜索空间并将空间 - 时间传递概率从联合分布解耦以适应离群值，实验结果表明，我们的方法在 Market-1501 和 DukeMTMC-reID 上的 mAP 分别提高了 8.6％和 16.4％。

Jul, 2021