FedClust 是一种聚类联邦学习方法，利用局部模型权重和客户数据分布之间的相关性将客户分组成簇，并动态地实时适应新加入的客户，实验结果表明 FedClust 在准确性和通信成本方面优于基线方法。

Mar, 2024

提出了一个新的基于层次贝叶斯方法的联邦学习的优化算法，该算法可以不泄露任何的私有数据，并且具有通用的收敛性和泛化性能。

May, 2023

提出了一种新的贝叶斯联邦学习算法 ——$eta$-Predictive Bayes，它能够在数据异质性增加的情况下提升全局模型的校准性能。该算法通过对预测后验概率的混合和乘积进行插值，利用可调参数 $eta$ 来优化全局模型的校准性，并将结果融合到单个模型中。

Dec, 2023

本文提出了一种针对非独立同分布问题的新型聚类联邦学习方法 StoCFL，它实现了一种灵活的 CFL 框架，支持不同比例的客户端参与和新客户端加入，而且在保持模型性能的同时获得了良好的聚类结果。

Mar, 2023

通过分析六种不同的聚合策略，我们使用独立同分布（IID）和非独立同分布（non-IID）的 CIFAR-10 数据集以及完全变种 ResNet-20 结构来构建贝叶斯深度学习（DL）模型的联邦学习（FL）系统的关键超参数，从而影响准确性、校准性、不确定性量化、训练稳定性和客户端计算要求。

Mar, 2024

本研究提出了一种基于聚类的联邦多任务学习框架（Clustered Federated Learning），可在保持数据隐私性的同时，更好地解决联邦学习中本地数据分布不同的问题，并在深度卷积和循环神经网络上进行实验证明了其有效性。

Oct, 2019

在本文中，我们提出了一种自适应的聚类联邦学习框架，名为 FedAC，它通过解耦神经网络并为每个子模块使用不同的聚合方法，有效地将全局知识融合到簇内学习中，同时采用一种经济高效的在线模型相似度度量基于降维技术，以及一个用于改进复杂异构环境中自适应性和可扩展性的簇数微调模块。广泛的实验结果表明，相较于现有方法，FedAC 在不同的非独立同分布设置下，CIFAR-10 和 CIFAR-100 数据集的测试准确率分别提高了约 1.82% 和 12.67%。

Mar, 2024

本研究提出了一种针对分布式、分区群集的联合学习的新框架，即聚簇联合学习，同时也提出了迭代联合聚类算法 (IFCA)，分析了其收敛速度及统计误差率上的优越性，并将其运用于神经网络等非凸问题的有效性实验中。

Jun, 2020

采用新的真实数据分布，提出一种名为 FedIIC 的隐私保护框架，该框架通过类内对比学习和共享全局样本的类间对比学习进行特征提取器的校准来缓解训练造成的偏差，并使用考虑难度的逻辑调整构造 softmax 交叉熵损失以确保所有类别的平衡决策边界。在公共可用数据集上的实验表明，FedIIC 在处理两种耦合问题的同时，具有更优越的性能。

Jun, 2022

提出了一种新的基于 EECC 的 FL 框架 ——Agglomerative Federated Learning (FedAgg)，它实现了具有实时访问的终端 - 边缘 - 云协同的设备级扩展，通过 Bridge Sample Based Online Distillation Protocol (BSBODP) 来递归地组织计算节点，实现每对父 - 子计算节点之间的知识传递和提取，提高了性能并满足了 FL 的隐私约束和 EECC 的灵活性要求。实验证明，FedAgg 相比最先进的方法，在准确率上平均提高了 4.53％，并在收敛速度上有显著的改进。

Dec, 2023