本文探讨联邦学习中的机器学习算法以及通过结构化更新和草图更新的方式来降低通信成本，实验结果表明这两种方法可以将通信成本降低两个数量级。

Oct, 2016

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

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

在分布式客户端独立地学习新概念并高效地交流知识的计算机学习问题中，我们提出了一种评估框架和方法基线，比较了学习算法并发现原型网络是一种强大的方法，其对灾难性遗忘具有鲁棒性，并高效地合并新信息。我们证明，原型向量的在线平均是有效的客户端模型合并，每个类别只需要很少的通信开销，内存和更新时间而无需梯度学习或超参数调整。

Sep, 2021

通过使用预训练模型作为初始化点，利用最近类平均法编写分类器和使用两阶段方法进行微调，提高了联邦学习的效率和性能。

Jun, 2023

联邦学习是一种有前途的研究范式，可以在各方之间进行机器学习模型的协作训练，而无需进行敏感信息交换。本研究对应用于视觉识别的联邦学习进行了广泛的回顾，强调深思熟虑的架构设计选择在实现最佳性能方面的重要作用。通过对各种先进架构的深入分析，我们实验证明了架构选择可以显著提高联邦学习系统的性能，尤其是在处理异构数据时。同时，我们研究了来自五个不同架构系列的19个视觉识别模型在四个具有挑战性的联邦学习数据集上的性能，重新调查了卷积架构在联邦学习环境中的劣势表现，并分析了规范化层对联邦学习性能的影响。我们的研究结果强调了在实际场景中的计算机视觉任务中架构设计的重要性，有效地缩小了联邦学习和集中学习之间的性能差距。

Oct, 2023

该研究首次在遥感领域对当前最先进的联邦学习算法进行了比较研究，通过系统回顾计算机视觉社区中面向图像分类问题的联邦学习算法，并基于其与客户端之间训练数据异构性的有效性进行选择，对所选算法进行理论比较，并在多样化的分散化情境下通过实验分析其在多标签分类问题上的表现，从而为在遥感领域选择合适的联邦学习算法提供一份指南。

Nov, 2023

联邦学习是一种协同训练范例，通过消除敏感数据的交换而依赖于客户端和服务器之间的模型参数交换，从而实现了跨机构模型的隐私保护学习。本文研究了联邦学习架构、初始化和聚合的相互关联作用，并通过在多个医学图像分类任务上进行的综合评估，找到了最佳性能的选择方式。同时，结果还对每个元素的良好选择、标准化层的影响以及SSL预训练的效用进行了探讨，为设计特定于联邦学习的架构和训练流程指明了潜在方向。

Nov, 2023

提出了一种创新的垂直联邦学习 (VFL) 模型架构，能够在常见情况下进行操作。通过利用一个能够处理缺少标记数据的联邦状况的 FCN,以及与承载分类所需特征的中央服务器私密共享权重的方式，实现图像分割并保持准确性。在CamVid数据集上进行了测试，以确定在联邦之间传输信息所需的特征压缩的影响，并在此类约束条件下对整体性能指标作出合理的结论。

Jan, 2024

本研究解决了联邦领域泛化能力不足的问题，探讨了如视觉变换器（ViT）、ConvNeXt和Swin变换器等先进预训练架构的作用。研究发现自监督预训练技术在捕捉图像的内在结构上优于监督预训练，从而推动了联邦学习系统的适应性和效率，建立了新的性能基准。

Sep, 2024