FedLPA：具有逐层后验聚合的个性化一次性联邦学习

Sep, 2023

FedLPA：具有逐层后验聚合的个性化一次性联邦学习

FedLPA: Personalized One-shot Federated Learning with Layer-Wise Posterior Aggregation

Xiang Liu, Liangxi Liu, Feiyang Ye, Yunheng Shen, Xia Li...

TL;DR通过一次性聚合方法（One-shot Aggregation）并引入分层后验聚合（Layer-wise Posterior Aggregation）的新方法 FedLPA，实现在其他机器学习领域中每一层的数据的继承和共享，从而显著提升了该方法的学习性能。

Abstract

Efficiently aggregating trained neural networks from local clients into a global model on a server is a widely researched topic in federated learning. Recently, motivated by diminishing privacy concerns, mitigating potential attacks, and reducing the overhead of communication, one-shot

federated learning one-shot aggregation layer-wise posterior aggregation non-identical training data distribution learning performance

发现论文，激发创造

通过后验平均实现联邦学习：一个新的视角和实用算法

以后验推断方法为基础的联邦学习算法可以通过在客户端推断本地数据的后验分布来推断全局后验分布，而 FedPA 则提供了一种计算和通信高效的近似后验推断算法，使用 MCMC 进行客户端的近似推断。

Oct, 2020

在线拉普拉斯近似贝叶斯联邦学习框架

本文提出了一种使用 Laplace 近似方法的联邦学习框架，其中使用多元高斯乘积机制构建并最大化全局概率分布，区分客户端之间的巨大差异，在客户端使用全局后验概率参数，通过学习约束减少了本地选择性遗忘，并在多个基准测试中实现了最先进的结果。

Feb, 2021

在个性化层上进行联合学习

本文介绍了 FedPer，一种基本 + 个性化层式的联邦深度前馈神经网络训练方法，旨在对抗数据异质性的负面影响，提升联邦学习的训练效果。FedPer 的有效性在 CIFAR 数据集和 Flickr 个性化图像美学数据集上得到了证明。

Dec, 2019

本地注意力的个性化联邦学习

在联邦学习中，为了解决不同客户端的局部数据异构性所带来的性能下降问题，提出了一种名为 pFedLA 的简单而有效的算法，该算法通过将关注机制纳入客户端的个性化模型，并保持关注块客户化，从而在任何联邦学习方法中提高其性能。

Apr, 2023

FedALA：用于个性化联邦学习的自适应本地聚合

本文提出了一种改进的联邦学习方法 ——FedALA，通过 Adaptive Local Aggregation (ALA) 模块，适应性地聚合下载的全局模型和本地模型，初始化每个客户端上的本地模型，并进行训练，实验结果表明，FedALA 在计算机视觉和自然语言处理等五个基准数据集上超过了 11 种现有技术的 baselines，提高了最高达 3.27％的测试准确性，同时我们还将 ALA 模块应用于其他联邦学习方法，实现了最高达 24.19％的测试准确性提高。

Dec, 2022

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

FedLPPA：联邦弱监督医学图像分割中个性化提示和聚合的学习

我们提出了一个个性化的联邦学习框架（FedLPPA），用于医学图像分割，该框架利用不完全监督技术，通过学习提示和聚合来统一利用异构的弱监督数据。

Feb, 2024

联邦学习的聚合服务：高效、安全、更具韧性的实现

本文介绍了一个基于轻量级加密和数据混淆的联邦学习系统，结合恰当的带宽效率优化和对云服务器主动攻击的安全保护机制，在保证客户端数据隐私的前提下，整合来自多源的数据进行联合训练，并在多项数据集（MNIST、CIFAR-10、CelebA）上验证该系统的可行性及精度。

Feb, 2022

联邦学习聚合：具有保证的新的鲁棒算法

该研究对联邦学习框架下聚合策略进行了全面的数学收敛分析，并通过与 FedAvg 进行分类任务的比较来评估其性能，得出了新的聚合算法，该算法可以通过区分客户端贡献的价值来修改其模型架构。

May, 2022

FedPDC：面向公共数据集纠错的联邦学习

本文介绍了一种新的 Federated Learning 算法 FedPDC，通过使用某些行业的共享数据集来优化本地模型的聚合方式和本地训练的损失函数。在许多基准实验中，FedPDC 可以在极度不平衡的数据分布情况下有效提高全局模型的准确性，同时确保客户数据的隐私保护，而且准确性提升不会带来额外的通信成本。

Feb, 2023