本文提出一种多模态和半监督联邦学习框架，利用自编码器从不同本地数据模态中提取共享和相关表示，并使用多模态 FedAvg 算法聚合不同数据模态上训练的本地自编码器。实证结果表明，引入多模态数据可以提高联邦学习的分类性能。

Sep, 2021

在无人驾驶的精确感知模型的改进中，持续在线模型训练变得至关重要。联邦学习 (FL) 在车载网络中为模型训练提供了高效的机制，同时保持了原始感知数据的完整性。然而，FL 面临非分布相同的数据 (例如，数量偏斜) 问题，导致模型训练的收敛速度不理想。在以前的工作中，我们引入了 FedLA，一种创新的面向 FL 的标签感知聚合方法，用于解决通用场景中的数据异质性问题。本文中，我们引入了 FedProx+LA，这是一种建立在最先进的 FedProx 和 FedLA 基础上的新 FL 方法，用于解决车载网络中的数据异质性问题。我们评估了 FedProx+LA 在连续在线目标检测模型训练中的有效性。通过与常规方法和最先进方法的比较分析，我们的研究结果显示了 FedProx+LA 的卓越收敛速度。值得注意的是，如果标签分布非常异质，我们的 FedProx+LA 方法相比基准方法在检测性能上显示出显著的改进，还优于我们以前的 FedLA 方法。此外，与基准方法相比，FedLA 和 FedProx+LA 的收敛速度提高了 30%。

May, 2024

本文提出了一种基于飞行器交通监控系统的反应性方法，通过合理分配无线资源，提高联邦学习中针对特定关键对象类的学习，应用于计算机视觉任务，并且证明了该方法通过针对不同学习器的贡献可以提高系统的准确性，尤其是当联邦学习的对象类在网络中缺乏代表性时。

Aug, 2021

提出并评估了一种名为 FedMM 的联邦多模态学习框架，该框架通过联邦训练多个单模态特征提取器来增强后续分类性能，以解决计算病理学中多模态信息融合的隐私问题。

Feb, 2024

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

本研究提出一种新方法来解决联邦学习中的问题，并在本文所述的公开基准数据集（如 Femnist）以及自己收集的数据集（即流量分类）上验证了该方法的有效性，结果表明这种方法在极端情况下具有显著的优势。

Nov, 2020

用于自动驾驶的半监督联邦目标检测（SSFOD）框架：SSFOD 是一种针对分布式数据源的模型训练框架，其中服务器端只有部分标注数据，客户端拥有未标注数据。FedSTO 是一个两阶段的策略，包括选择性训练和正交增强全参数训练，通过数据转移和区分度增强来有效解决服务器和客户端之间的数据差异。该方法在自动驾驶数据集上验证了其有效性，并表现出与完全监督集中训练方法几乎相当的性能。

Oct, 2023

利用半监督联邦学习框架和模型参数混合策略来保护数据隐私实现无人机图像识别；根据不同相机模块、地域环境等数据的统计异质性问题，提出基于客户端频率的聚合规则来调整对应本地模型的权重。

Jan, 2022

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

我们提出了一种面向联邦学习领域的新方法，特别关注应对模态异质性、客户端间模态可用性的差异和缺失数据的问题。我们介绍了一个专为多模态联邦任务设计的元学习框架，并通过对增强的 MNIST 数据集进行广泛的实验验证了我们提出的框架的有效性。我们的算法在一些缺失模态场景中通过元学习率的精细调整，实现了比基线更好的性能。

Dec, 2023