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

本文研究了在真实的合作环境下使用联邦学习（FL）构建医学成像分类模型。通过对世界各地的七个临床机构的数据进行联邦学习，成功地训练了乳腺密度分类模型，其性能比在机构的本地数据训练的模型平均提高了6.3％，在其他机构的测试数据上表现出了45.8％的相对改进。

Sep, 2020

该研究提出了一种名为FedU的联邦无监督学习框架，可以在保护数据隐私的同时利用去中心化的未标记图像数据学习视觉表示，并针对数据的非独立同分布问题提出了有效方法，实验证明其优于其他方法。

Aug, 2021

本文介绍了关于联邦学习的理论方面，提出了一个聚合算子和不同类型的联邦学习，针对客户端数据分布要考虑的问题进行了详尽的分析，并提出了胸部X光图像分析的使用案例。针对训练数据中的不同客户端进行了模拟，并考虑了中断客户端所带来的不同问题及其解决方案。比较了集中式方法、三个客户端和十个客户端的预测结果，结果显示联邦学习在保护隐私以及提高预测准确性、降低运行时间方面具有很好的效果。最后，提出了未来工作和改进方向。

Jul, 2022

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

我们评估了多种算法在联合学习环境中的应用，并测试其在各种图像分类任务中的效用。我们考虑了许多以前尚未充分考虑的问题: 不具备多样化图像数据集会影响结果吗？是否使用预先训练的特征提取“骨干”？如何评估学习器的性能（我们认为仅仅分类准确性是不够的）等。总体而言，在各种设置下，我们发现垂直分解神经网络似乎能够取得最佳结果，并且优于更常见的协调方法。

Sep, 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

通过实验和研究，我们发现联邦扩散模型在隐私敏感领域提供视觉服务方面具有巨大潜力。

Nov, 2023

我们应用联邦学习方法对一个OCT图像分类器进行训练，模拟具有多个客户和统计异构数据分布的实际情景，其中客户的数据中完全缺少某些类别的样本。

Feb, 2024

本论文提出了一种基于联邦学习的隐私保护医学图像分类框架(FedMIC)，通过全局和局部知识使医疗组织从私有数据中获得定制模型，同时减少通信开销和提高效率，提高在资源受限条件下的稳健性和实际适用性。通过使用四个公共医学图像数据集展示了FedMIC的有效性。

Jul, 2024