评估是一种系统性方法，用于评估系统达到其预期目标的程度。联合学习是一种新的隐私保护机器学习范式，允许多个参与方共同训练模型而无需共享敏感数据。本综述首先回顾现有研究中采用的主要评估目标，然后探讨每个目标所使用的评估指标。我们还介绍了 FedEval，这是一个开源平台，以其效用、效率和安全性为依据，为联合学习算法提供了一个标准化和全面的评估框架。最后，我们讨论了联合学习评估的一些挑战和未来研究方向。
Aug, 2023
去中心化联邦学习解决方案的综述，包括现有的方法和未来的研究方向。
通过对联邦学习的现有作品进行全面调查，提出功能框架和分类学相关技术，以及联邦学习系统的分布式培训，数据通信和安全性。
Apr, 2021
使用隐私保护方法进行数据估值的联邦学习研究，借助 Wasserstein 距离提供透明数据评估和有效计算 Wasserstein barycenter 以减少对验证数据的依赖，并通过广泛的实证实验和理论分析展示了该估值指标的研究前景。
Nov, 2023
联邦学习 (Federated Learning) 中的 Contribution Evaluation (CE) 问题对于计算每个客户端的公平价值的评估至关重要。本研究回顾了当前 CE 方法的数学框架，并对一些最有前景的方法进行了基准测试，展示它们与现有方法的差异。设计一个公平高效的 CE 方法对于联邦学习的主流应用至关重要。
本文讨论联邦学习的最新进展和挑战，并提出了一系列开放性问题和挑战。
Dec, 2019
本文讨论分布式数据的非 IID 性质及其对联邦学习的训练造成的影响，同时对联邦学习与典型集中式梯度下降技术的不同之处进行比较，并在实践中演示样品数量和输出标签分布对联邦学习的影响。此外，本文证明了在模型大小不太大的情况下使用联邦学习框架具有成本优势。
Feb, 2022
联邦学习是机器学习领域中迅速发展的领域，允许数据在多个分散设备上进行训练。客户端选择是整个系统性能的关键因素。本调查综述了联邦学习中最先进的客户端选择技术，包括它们的优点、局限性以及需解决的挑战和开放问题。我们涵盖了传统的选择技术，例如随机选择，其中选择所有或部分随机的客户端进行训练。我们还涵盖了面向性能和面向资源的选择，适用于资源受限和异构网络。我们还讨论了客户端选择在模型安全增强中的使用。最后，我们讨论了动态约束和异构网络中的客户端选择相关的开放问题和挑战。
本文是一项关于贝叶斯联邦学习（BFL）的问题与应用的调查研究，旨在解决分布式基础设施、通信、计算和隐私保护等问题，讨论客户端、服务端和基于 FL 的 BFL 方法，并提出了 BFL 研究的未来发展方向。
Apr, 2023
本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。
Feb, 2023