本文研究了联邦学习的个性化变种，在 Model-Agnostic Meta-Learning 框架下，通过个性化 Federated Averaging 算法，根据不同用户数据的分布差异，探讨其性能的影响。

Feb, 2020

该研究提出了一种基于 Moreau envelopes 的个性化联邦学习算法 (pFedMe)，用于解决客户端之间的统计差异性问题并实现个性化模型优化和全局模型学习的分离，该算法在理论上已证明具有先进的收敛速度，在实验中也证明在表现上优于 vanilla FedAvg 和 Per-FedAvg 等算法。

Jun, 2020

本文探讨了通过元学习算法为联邦学习实现个性化的可能性。结果表明，联邦平均算法可以被解释为一种元学习算法，并且通过细致的微调，可以得到更准确、更易于个性化的全局模型。

Sep, 2019

本文提出了一种基于个性化的联邦学习方法，通过层次化的变分推理对异构客户端进行建模，并借助贝叶斯元学习技术提取共性结构，将其转移到各自的任务中，从而生成准确的客户端特定近似后验分布，该方法在大量实证研究中显示出卓越性能。

Jul, 2023

本文提出了一种自适应个性化联邦学习算法，采用局部和整体模型混合的方法来提高模型的个性化能力，并使用通信高效的最优化方法来协同学习个性化模型，实验证明了该算法的有效性与泛化理论的正确性。

Mar, 2020

该论文研究了联邦学习（FL）的个性化策略问题，并介绍了一种通过元网络（meta-nets）在 FL 网络中学习个性化策略的框架，该框架通过学习元网络的批量归一化和学习率参数来为每个客户端生成定制的个性化策略。实证结果表明，该框架在标签偏移和特征偏移情况下优于多种标准的手工个性化基线方法。

Oct, 2023

该研究提出了一种基于混合模型假设的联邦多任务学习方法，该方法可以在设备上学习个性化模型并实现客户端和服务端两种架构下的联邦 EM 算法的收敛，同时在联邦学习基准测试中获得了更高的准确性和公平性。

Aug, 2021

个性化联邦学习（PFL）是一种用于解决异构数据收敛性差的方法。本文提出了一种使用 Moreau 包络（FLAME）的交替方向乘子方法进行训练 PFL 模型的方法，它在梯度 Lipschitz 连续性相对较弱的假设下实现亚线性收敛率。此外，由于 ADMM 的无梯度特性，FLAME 无需超参数调整，尤其是在训练全局模型时避免调整学习率。另外，我们提出了一种偏倚的客户选择策略，以加速训练 PFL 模型的收敛。我们的理论分析证明了在客观和主观客户选择策略下的全局收敛性。实验结果证实，当在异构数据上进行训练时，FLAME 在模型性能方面优于最先进的方法。在通信效率方面，它相对于基准方法的平均加速比达到 3.75 倍。此外，实验结果验证了偏倚的客户选择策略加速个性化和全局模型的收敛。

Nov, 2023

本论文提出了一种自我感知的个性化联邦学习方法，通过采用贝叶斯分层模型，利用不确定性量化来平衡本地模型改进和全局模型调整，使用不确定性驱动的本地训练步骤和聚合规则来实现。通过实验研究，该方法显著提高了个性化性能。

Apr, 2022

我们提出了一种快速自适应联邦元学习（FAM）框架，用于协同学习单个全局模型，并可以在各个客户端上进行个性化定制。实验结果表明，在有限的迭代次数内，每个客户端的个性化客户端模型优于本地训练模型，从而显示出 FAM 机制的有效性。此外，通信开销大大减少，使该方案适用于资源有限的网络。

Aug, 2023