本文提出了一种名为 Federated Generative Adversarial Network (FedGAN) 的算法，用于训练分布式非独立同分布数据源的 GAN，并基于周期性同步本地生成器和辨别器以及平均和广播生成器和辨别器参数的中介。我们证明了 FedGAN 在标准假设下，使用随机近似和通信高效的随机梯度下降法，使用相等和两个时间尺度更新生成器和辨别器收敛。我们在玩具示例（2D 系统、混合高斯和瑞士拳击手数据集）、图像数据集（MNIST、CIFAR-10 和 CelebA）以及时间序列数据集（家庭电力消耗和电动汽车充电会话）上实验了 FedGAN。我们展示了 FedGAN 收敛并且具有类似于一般分布式 GAN 的性能，同时可以减少通信复杂性。此外，我们还展示了它对通信减少的鲁棒性。

Jun, 2020

提出了一种名为 PS-FedGAN 的新型联邦学习（FL）框架，通过对 GAN 进行部分共享模型，加强 GAN 的发布和训练机制，从而解决客户端数据的异构性问题，并在降低通信成本的基础上加强隐私保护。

May, 2023

本文提出了 FedNI 框架，利用图生成对抗网络进行网络修复和机构间数据的联合学习，以提高疾病预测的准确性，并在两个公共神经影像数据集上取得了显著的比基线和本地 FL 方法更好的成果。

Dec, 2021

提出了 FedGKD，一种新的联邦图神经网络框架，利用客户端图数据集提取更好描述任务相关性的任务特征，并引入一种对全局协作结构感知的新型服务器端聚合机制，通过在六个不同规模的真实世界数据集上进行广泛实验，证明该框架的优越性。

Sep, 2023

本研究提出了一种新的 UFed-GAN 框架，用于在资源受限和缺少标签的环境中的联合学习，该框架可以捕捉用户端数据分布，同时保护隐私。实验结果表明，UFed-GAN 在解决计算资源有限、数据缺少标签和保护隐私方面具有巨大潜力。

Aug, 2023

本文提出了一种新的基于联邦学习的无监督脑图像生成方法 FedMed-GAN，通过差分隐私梯度下降算法对联邦平均算法的梯度惩罚进行规范，实现了多机构分散数据的集成。与其他集中式方法相比，FedMed-GAN 表现出新的最先进性能。

Jan, 2022

本文提出了 MD-GAN，这是一个新颖的学习过程；将其与改编后的联邦学习进行比较，使用 MNIST 和 CIFAR10 数据集，MD-GAN 表现出了每个工作节点上的学习复杂度降低两倍，同时在两个数据集上提供了比联邦学习更好的性能。

Nov, 2018

本研究介绍 FedGraphNN，一个用于解决中心化实际世界图形数据训练 GNN 所面临的隐私问题的开放式分布式学习平台，涵盖各种数据集，流行的 GNN 模型以及 FL 算法，维护源代码的统一公式和安全高效的系统支持。

Apr, 2021

本文介绍了一种名为 FedGraph 的联邦学习框架，它使用基于深度强化学习的智能图采样算法以及一种新的跨客户卷积操作来解决计算客户之间图学习的挑战，从而实现数据隐私保护和更好的性能表现。在四个流行数据集上的实验表明，FedGraph 显著优于现有的工作，并能够更快地收敛到更高的准确性水平。

Nov, 2021

综述了 2019 年至 2024 年间的涉及联邦学习和生成模型的研究，系统比较了近 100 篇论文的方法和隐私问题，强调了最新的进展和未解决的挑战，为未来的研究提供了洞见。

May, 2024