本文介绍了一种新的 Federated Learning 算法 FedPDC，通过使用某些行业的共享数据集来优化本地模型的聚合方式和本地训练的损失函数。在许多基准实验中，FedPDC 可以在极度不平衡的数据分布情况下有效提高全局模型的准确性，同时确保客户数据的隐私保护，而且准确性提升不会带来额外的通信成本。

Feb, 2023

本研究探讨如何在真实世界的场景下训练视觉模型。我们使用了两个新的大规模数据集，测试了 Federated Learning 算法的表现，并提出了两种新的算法以优化模型的表现。

Mar, 2020

分散式学习模式下的联邦学习存在数据分布不同的挑战，本论文提出了使用数据压缩和核对齐方法的 DCFL 算法，以解决该挑战，并在多个基准测试中展示了竞争性性能。

Dec, 2023

提出 FedCD 方法，将模型动态地克隆和删除以将设备分组，实现在非独立同分布的数据上高精度和更快的收敛。

Jun, 2020

本文介绍了一种新的联邦学习算法，FedDC，旨在通过本地漂移重构和修正来解决客户端数据分布异质性的问题，实验结果证明 FedDC 在各种图像分类任务上具有加速收敛和更好的性能。

Mar, 2022

该研究调查了联邦学习（FL）这一机器学习范式，允许在不共享原始数据的设备上进行分散模型训练，从而保护数据隐私。我们比较了该范式内的两种策略：联邦平均（FedAvg）和个性化联邦平均（Per-FedAvg），重点关注它们在非独立同分布数据（Non-IID）条件下的性能。我们的分析显示，使用狄利克雷分布建模的数据异质性水平显著影响两种策略的性能，在高异质性条件下，Per-FedAvg 表现出更强的健壮性。我们的结果为在分散环境下开发更有效和高效的机器学习策略提供了见解。

Sep, 2023

我们应用联邦学习方法对一个 OCT 图像分类器进行训练，模拟具有多个客户和统计异构数据分布的实际情景，其中客户的数据中完全缺少某些类别的样本。

Feb, 2024

本文提出了用于分布式数据的二元编码模型的联邦训练方法 DCCO（Distributed Cross Correlation Optimization），并将其与现有联邦方法进行了比较，实验结果显示 DCCO 的性能优于现有联邦方法。

Sep, 2022

通过使用跨库样本原型校准方法（FedCSPC）获取来自客户端的附加原型信息并在服务器端学习统一的特征空间，本文解决了既有解决方案在数据集偏差方面的限制，有效提高了特征一致性和性能表现。

Aug, 2023

本文研究了 Federated Learning 在视觉分类中的作用，提出了通过服务器的惯性防止非同质数据分布对性能的负面影响，并在 CIFAR-10 上进行了实验，结果表明在不同的非同质性数据分布下，这种方案能够显著提高分类准确率。

Sep, 2019