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

本文综述性地介绍了分散化联合学习的定义、方法、挑战、变体、技术和研究方向。通过在客户端之间建立直接通信的去中心化网络结构，分散化联合学习能够省略中心服务器，降低通信开销并实现较高的学习效率和隐私保护。

Jun, 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

我们提出了一种异步高效去中心化联邦学习框架，即AEDFL，它在异构环境中具有三个独特的贡献：首先，我们提出了一种异步的FL系统模型，并使用高效的模型聚合方法来改进FL的收敛性；其次，我们提出了一种动态过期感知的模型更新方法，以实现更高的准确性；第三，我们提出了一种自适应的稀疏训练方法，以降低通信和计算成本，同时准确性下降不显著。通过在四个公共数据集和四个模型上进行广泛的实验，证明了AEDFL在准确性（高达16.3%）、效率（高达92.9%）和计算成本（高达42.3%）方面的优势。

Dec, 2023

联邦学习是一种机器学习方法，可以在持有本地数据样本的多个分散边缘设备之间进行协作模型训练，而无需交换这些样本。本报告探讨了非独立非同分布的数据与异构数据带来的问题，并探索了目前设计用于解决这些挑战的算法。

Jan, 2024

我们提出了一种无服务器的去中心化联邦互联模型学习（DFML）框架，通过相互学习和循环改变监督和蒸馏信号的量，有效处理模型和数据异构性，并在各种条件下，在收敛速度和全局准确性上优于流行基准。

Feb, 2024

分散式联邦学习的DSpodFL方法通过模拟现实环境中的不同异质性形式来泛化间歇性，实现了更快的训练速度和对系统参数变化的鲁棒性。

Feb, 2024

在分布式学习中，为了解决参数聚合带来的通信开销和单点故障问题，本论文研究了如何有效利用有限资源以提高模型性能。我们通过优化本地训练轮次的数量和节能聚合方案，提出了一个解决方案，该方案在不同设备上实现了更好的性能表现，并消耗比传统聚合方案更少的能量。

Mar, 2024

本研究分析了不完美通信渠道对分散式联邦学习（D-FL）的影响，并确定了每轮训练的最佳本地汇总次数，以适应网络拓扑和不完美通道。通过从需要完美通道和汇总的理想全局模型中推导出具有不完美通道的本地汇总D-FL模型的偏差，揭示了过多的本地汇总可能会积累通信错误并降低收敛性。本文还分析了基于该偏差的D-FL的收敛上限。通过最小化该上限，确定了在通道知识缺失的情况下平衡通信错误积累的最佳本地汇总次数。实验证实了我们的收敛分析，同时在两个广泛考虑的图像分类任务中确定了最佳的本地汇总次数。结果表明，在训练准确性方面，具有最佳本地汇总次数的D-FL可以比其潜在替代方案提高10%以上。

May, 2024

本研究解决了去中心化联邦学习（DFL）在带宽受限网络中通信效率不足的问题。通过结合网络测量技术，提出了一种新颖的方法来优化通信需求和调度，避免了对网络的显式合作需求。研究发现，该方法显著提高了DFL的训练速度，具有重要的实际应用潜力。

Aug, 2024