本研究提出了一种使用多个以用户为中心的聚合规则实现个性化的联邦学习方法，通过广播协议来限制个性化流的数量从而在保证学习效果的情况下提高通信效率。仿真结果表明与其他竞争的基准方案相比，我们的方法具有更高的个性化能力、更快的收敛速度和更好的通信效率。

Oct, 2021

通过将学习模型分为全局部分和个性化部分，以实现模型剪枝和个性化，本文提出了一种解决异构设备数据、计算和通信延迟以及非独立同分布数据的联邦学习框架，并通过数学分析研究了其收敛性、计算和通信延迟，并最终通过优化问题得到了剪枝比例和无线资源分配的闭式解。实验结果表明，相比只进行模型个性化的方案，该框架能够显著减少约 50％的计算和通信延迟。

Sep, 2023

联邦学习的普及与人工智能应用中对数据隐私的关注日益增长。联邦学习促进了多方合作的模型学习，同时确保了数据保密性。然而，由于不同客户数据分布导致的统计异质性问题，会带来一些挑战，例如不足的个性化和收敛速度慢。为了解决上述问题，本文简要总结了个性化联邦学习领域的当前研究进展，概述了个性化联邦学习的概念，审视了相关技术，并强调了当前的努力。此外，本文还讨论了个性化联邦学习的潜在进一步研究和障碍。

Feb, 2024

该研究提出了一种新的算法，为参与联邦学习训练的客户分配自适应聚合权重，识别出最有利于特定学习目标的数据分布，实验证明通过该算法引导的合作在传统的联邦学习方法上取得了更好的表现，强调了客户选择的重要性。

Feb, 2024

提出了一个基于个性化模型的联邦学习框架来应对异构模型的限制，并使用参数化群体知识转移训练算法来使客户端间自适应强化协作，从而实现个性化模型训练，并与现有方法进行比较得到显著的性能提升。

Nov, 2021

本文提出了一种个性化的联邦学习方法，通过每个客户只与相关客户联合训练模型，实现客户自定义目标分布的最优加权模型组合，且不需要知道任何数据分布或客户相似性的先验知识，该方法在多个联邦学习场景和数据集下表现优异，同时也支持个性化的迁移学习。

Dec, 2020

研究了在现实无线网络上训练联邦学习算法的问题，提出了一种联合学习、无线资源分配和用户选择的优化问题，并获得了期望收敛速率的闭式表达式，从而实现最小化 FL 损失函数的最优用户选择和上行资源块分配。

Sep, 2019

提出了一种处理异构用户设备数据的联邦学习算法，同时结合对微波资源分配问题的优化，实现了收敛速率和能耗之间的平衡，并用 Tensorflow 实验验证了该算法的理论分析和优化表现。

Oct, 2019

本文提出了一种考虑到客户端数据数量、传输速率、传输错误和可信度的风险感知加速联邦学习框架，通过根据客户端的位置相关性能和可信度进行分类，并提出了一种动态的风险感知全局模型聚合方案，使客户端根据传输速率和可信度限制按照降序和升序参与，从而加快收敛速度。数值结果显示，与两个基准方案相比，所提出的方案在精确度和收敛速度上具有明显的优势。

Jan, 2024

本文提出了一种名为 FedDWA 的新型 PFL 算法，它利用参数服务器计算个性化的聚合权重，以此解决了传统加权聚合方法中需要客户端下载他人模型的通信问题和数据隐私问题。最终，基于五个真实数据集的实验表明，FedDWA 可以显著降低通信负担并实现比现有方法更高的模型精确度。

May, 2023