本文提出了一种名为上下文化泛化（CG）的新概念，旨在为每个客户端提供更好地适合本地数据分布和更快模型收敛的细粒度上下文知识。作者还提出了CGPFL框架，在多个现实世界的数据集上进行了实验，证明了该方法在测试精度上显著优于最先进的方法。

Jun, 2021

介绍了一种用于个性化联邦学习的Federated Conditional Policy方法, 通过生成每个样本的条件策略将全局信息和个性化信息分离并分别处理，取得了比11种现有方法高6.69%的性能表现。

Jul, 2023

基于低维特征空间的个性化联邦学习（Personalized Federated Learning，PFL）框架，通过选择每个客户端自适应其本地数据分布下全局编码器生成的特征中与任务相关的特征，提供了比参数空间更易理解和解释的PFL实现方法。FedPick在跨领域的联邦学习中能够为每个客户端有效选择与任务相关的特征并提高模型性能。

Jul, 2023

在本文中，我们基于联邦学习的范式，通过使用规范模型来捕捉异质人群的基本特征并利用会员向量揭示客户的偏好，开发了一个灵活且可解释的个性化框架 PPFL（Population Personalized Federated Learning），并探索了与多任务 PFL、聚类 FL 和解耦 PFL 三个主要分支的关系，证明了 PPFL 的优势。我们提出了一个新颖的随机块坐标下降算法来解决 PPFL（一个非凸约束优化问题）并给出了收敛性质。通过在病理数据集和实际数据集上进行实验，结果验证了 PPFL 的有效性。

Oct, 2023

该研究提出了PFLlib，这是一个综合的个性化联邦学习算法库，包含34种最先进的联邦学习算法和多个评估环境，目前已经在GitHub上获得了850个星和199个分支。

Dec, 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

基于模型异构的个性化联邦学习通过自适应特征混合（pFedAFM）实现了训练不同结构个性化模型的联邦学习客户端，以应对非独立同分布的本地数据。

Apr, 2024

本文针对个性化联邦学习（pFL）在平衡内存开销与模型准确性方面的挑战，提供了实证分析。通过评估十种主流pFL技术，研究表明个性化聚合方法在通信和计算效率上具有最快收敛速度，而其他方法如微调和多目标学习则在数据异质性和资源消耗方面存在局限，强调了通信效率在pFL扩展中的关键作用。

Sep, 2024

本研究解决了现有联邦学习（FL）框架在异构性和安全性方面的不足，提出了一个名为APPFL的可扩展框架及基准套件。APPFL不仅提供了全面的解决方案，还具备灵活性，能够轻松整合新算法或适应新应用。通过多项实验，证明了APPFL在通信效率、隐私保护、计算性能和资源利用率等方面的出色能力。

Sep, 2024

本研究解决了个性化联邦学习中统计异质性对模型性能的影响，提出了一种新方法：个性化联邦学习与自适应特征聚合及知识转移（FedAFK）。该方法通过平衡全局模型知识与本地数据个性化的关系，显著提高了在非独立同分布数据上的个性化模型性能。

Oct, 2024