本文提出了一种特异性保存的联邦学习算法 (FedMRI)，通过将 MR 重构模型分为全球共享的编码器和客户机特定的解码器，同时在频率空间和图像空间执行，可以在不牺牲客户机特定信息的前提下提高全球模型的泛化能力，在多机构数据上取得了最接近真实值的重建结果，并且优于现有的联邦学习方法。

Dec, 2021

使用静息态功能磁共振成像技术 (RsfMRI)，本文提出了一种名为 BrainRGIN 的新型建模架构，通过在静态功能网络连接矩阵上使用图神经网络，预测智力 (流体、晶体和总体智力)。在青少年大脑认知发展数据集上评估了我们的模型，证明了其在预测智力个体差异方面的有效性。我们的模型在智力预测任务的均方根误差和相关性得分上均优于现有的相关图形架构和其他传统的机器学习模型。中央额叶回对流体和晶体智力都有显著的贡献，表明它们在这些认知过程中起着关键的作用。总复合分数识别出一组与大脑相关的多样区域，凸显了总智力的复杂性。

Nov, 2023

利用动态功能连接图中的时空信息，我们提出了一种生成式自监督学习方法，通过大规模 fMRI 数据集的实证结果表明，我们的方法在下游任务的微调中能够学习到有价值的表示，并构建出准确且稳健的模型。

Dec, 2023

本文提出了一种基于大脑模块化的动态表示学习框架，利用图神经网络和神经认知模块进行核心区域的提取，以更好地利用脑功能网络的模块化结构，探究有效的 fMRI 生物标记物用于临床诊断。

Jun, 2023

本研究通过创新性地使用联邦学习方法，解决数据隐私和高效疾病诊断的双重挑战，以提高医学图像分类的准确性和效率，展示了联邦学习在磁共振成像（MRI）脑肿瘤检测中的应用效果，并强调了解决数据异质性的重要性和拓展联邦学习在医学图像分析中的研究方向。

Apr, 2024

在分布式数据隐私敏感的场景下，集中式训练图神经网络模型面临一些挑战，因此我们提出了一种名为联邦图学习（FGL）的方法，借助于联邦学习技术在保持数据去中心化的同时共同训练模型，并对 FGL 进行了分类、讨论、挑战和应用倡议。

May, 2021

确保在推荐系统中跨人口群体的公平性至关重要，本文提出了一种名为 F2PGNN（公平联邦个性化图神经网络）的新框架，通过结合个性化图神经网络和公平考虑来解决不同人口群体之间固有偏见的普遍问题，在保护个人隐私和保持效用的同时，在联邦学习环境中使用基于图的模型实现了公平的个性化推荐。

Dec, 2023

我们开发了一个 FL 框架，其中维护一个全局的 NGM 模型，通过学习本地 NGM 模型的平均信息，同时保持训练数据在客户端环境中。我们的设计 FedNGMs 避免了神经元匹配框架的问题，如 Federated Matched Averaging，在这些框架中存在模型参数膨胀的问题。我们的全局模型大小在整个过程中保持恒定。对于客户端具有不包含在组合全局分布中的本地变量的情况，我们提出了一种 “拼接” 算法，它通过使用客户端数据合并附加变量来个性化全局 NGM 模型。FedNGM 对数据异质性、大量参与者和有限的通信带宽具有鲁棒性。

Sep, 2023

通过模型解释技术，本文综述了图神经网络在功能磁共振成像数据集上应用于疾病预测任务中的应用，特别关注所生成的神经变性疾病和神经精神障碍的潜在生物标记的稳健性，并建议建立新的标准来评估这些潜在生物标记的稳健性。

May, 2024

本研究提出一种联邦学习方法来解决多中心 fMRI 分类任务中的隐私问题，采用分散式的迭代优化算法并在本地模型权重上实现随机化机制，通过两种域自适应方法来解决不同中心 fMRI 分布的系统性差异，实现了对多组医疗数据隐私保护的高质量分析。

Jan, 2020