本文提出名为HeteroFL的新型联邦学习框架，旨在解决具有非常不同计算和通信能力的异构客户端的问题，并通过几种策略增强FL训练。通过在三个数据集上进行五个计算复杂性级别的三种模型架构的广泛实证评估，通过自适应分配子网络来提高FL训练的计算和通信效率。

Oct, 2020

本文提出了FedLin框架来应对分布式学习中的目标异质性、系统异质性和不频繁不准确的通信挑战，当客户端的本地损失函数是光滑且强凸的时，FedLin保证线性收敛并最终收敛到全局最小点，并且在压缩比例下仍然保持线性收敛速度。

Feb, 2021

我们提出了一种新的联邦学习方法，通过动态正则化器在限制设备异构性和大量设备、部分参与和不平衡数据的同时，在凸和非凸情况下实现了高效训练。

Nov, 2021

本文提出了第一个针对不同客户的异构和相关可用性的FedAvg类FL算法的收敛分析，发现相关性如何不利地影响算法的收敛速率，并且介绍了一种新的算法CA-Fed，在最大化收敛速度和最小化模型偏差之间寻求平衡，同时忽略了可用性低和相关性大的客户。实验结果表明，CA-Fed在合成数据集和实际数据集上比AdaFed和F3AST等现有算法具有更高的时间平均准确性和更低的标准差。

Jan, 2023

机器学习的未来在于边缘计算，用于数据收集和训练，联邦学习是实现这一目标的一种方法。本文提出了一种新的聚合框架，用于解决联邦优化中的计算异构性问题，包括异构数据和本地更新，并从理论和实验的角度进行了广泛的分析。

Jul, 2023

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

我们提出了一种新算法来解决复合联合学习问题，该算法通过策略性地分离近端算子和通信来管理非光滑正则化，并且在没有关于数据相似性的任何假设的情况下解决客户端漂移。此外，每个工作者使用局部更新来降低与服务器的通信频率，并每次通信轮传输仅一个d维向量。我们证明了我们的算法线性收敛到最优解的邻域，并在数值实验中展示了我们算法相对于最先进的方法的优越性。

Sep, 2023

该研究提出了一种模型压缩方法，允许计算能力不同的设备参与联邦学习过程，从而提高资源受限设备的参与率，并保持先前轮次训练的权重，使生成的次模型在保持准确性的同时能够共享，提高参与度约50%。

May, 2024

本研究解决了联邦学习中因本地数据统计异构性导致模型性能不佳的问题。提出的DynamicFL框架通过根据数据的统计特征动态分配通信资源，以在减少通信成本的同时提升全球模型性能。实验结果表明，与现有方法相比，DynamicFL模型准确性提高了10%，展示了其在应对数据统计异构性挑战中的适应性和有效性。

Sep, 2024

本研究解决了联邦学习中特别是当设备上的数据不独立分布（non-IID）时的统计复杂性问题。我们提出了一种新方法，通过创建服务器上的全局数据子集，并动态分配至各设备，从而提高收敛性。此外，采用数据熵指标对训练过程进行监控，优化设备选择，最终实现了在多个数据集上显著提升模型准确性的结果。

Oct, 2024