PFL-GAN：当客户异质性遇到生成模型于个性化联邦学习

Aug, 2023

PFL-GAN：当客户异质性遇到生成模型于个性化联邦学习

PFL-GAN: When Client Heterogeneity Meets Generative Models in Personalized Federated Learning

Achintha Wijesinghe, Songyang Zhang, Zhi Ding

TL;DR最近发展的生成学习模型伴随着对基于生成对抗网络的联邦学习（FL）的增加兴趣。在 FL 的背景下，GAN 能够捕捉基本的客户数据结构，并能够重新生成类似于原始数据分布但不会泄露私有原始数据的样本。我们提出了一种针对 FL 中的客户异质性的新型 GAN 共享和聚合策略，即个性化 FL（PFL）。所提出的 PFL-GAN 在不同场景下解决了客户异质性问题。通过在几个知名数据集上进行严格实验的经验证明，PFL-GAN 的有效性。

Abstract

Recent advances of generative learning models are accompanied by the growing interest in federated learning (FL) based on generative adversarial

generative learning models federated learning generative adversarial network personalized fl client heterogeneity

发现论文，激发创造

个性化生成网络的异构联邦学习

通过减少客户端之间的异质性，本研究提出了一种传递知识的方法，利用客户端专用生成器为每个客户端生成样本，以减少与其他客户端模型的冲突，从而构建出具有良好泛化能力的全局模型。

Aug, 2023

PS-FedGAN: 基于部分共享生成对抗网络的高效联邦学习框架，用于数据隐私保护

提出了一种名为 PS-FedGAN 的新型联邦学习（FL）框架，通过对 GAN 进行部分共享模型，加强 GAN 的发布和训练机制，从而解决客户端数据的异构性问题，并在降低通信成本的基础上加强隐私保护。

May, 2023

针对统计异质性的个性化联邦学习

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

个性化联邦学习基于堆叠

使用堆叠泛化的新型个性化方法，在保护隐私的情况下，直接发送模型来训练元模型，并在水平、混合和垂直分区联邦中适用各种模型类型和隐私保护技术，从而创建更适合个体客户数据的多个模型，并通过多方面评估每位客户对联邦的贡献。

Apr, 2024

GPFL：针对个性化联邦学习同时学习全局和个性化特征信息

提出了一种名为 GPFL 的新的个性化联邦学习方法，该方法在每个客户端上同时学习全局和个性化的特征信息，并在六个数据集上展示了 GPFL 在效果、可扩展性、公平性、稳定性和隐私方面优于十种最先进方法的优越性，此外，GPFL 能够减轻过拟合问题，准确率比基线方法提高了 8.99%。

Aug, 2023

联邦生成模型的系统回顾

综述了 2019 年至 2024 年间的涉及联邦学习和生成模型的研究，系统比较了近 100 篇论文的方法和隐私问题，强调了最新的进展和未解决的挑战，为未来的研究提供了洞见。

May, 2024

混合分布下的个性化联邦学习

该研究针对现有的 PFL 方法存在的局限性，提出了一种名为 FedGMM 的新方法，该方法利用高斯混合模型在多个客户端之间适应输入数据分布，实现更好的性能，并且可以适应新的客户端且具有不确定性量化的能力。

May, 2023

个性化联邦学习的概率模型：一种 PAC-Bayesian 方法

个性化联邦学习的 PAC-PFL 算法在一个 PAC-Bayesian 框架中应用差分隐私处理数据相关的先验概率，协同学习共享超后验，并将每个客户的后验推断视为个性化步骤，通过建立和最小化客户平均真实风险的泛化界限，有效地抑制过度拟合，从而实现准确和良好校准的预测。

Jan, 2024

GPT-FL: 基于生成式预训练模型的联邦学习

本文提出了一个基于生成式预训练模型辅助联邦学习框架的 GPT-FL 方法，在提高通信效率和客户抽样效率的同时，优化梯度多样性来增强模型收敛速度和提高模型测试准确性。

Jun, 2023

FLIGAN：使用 GAN 增强不完整数据的联邦学习

FLIGAN 使用生成对抗网络应对分布式学习中数据不完整的问题，通过生成合成数据提高数据集的鲁棒性和完整性，从而在高类别不平衡的场景下实现模型准确性的最多 20% 的提升。

Mar, 2024