本文研究了联邦学习在分布式设备网络上的数据隐私和效率问题。我们提出了一种有原则的方法来解决联邦域自适应问题，旨在通过扩展对抗适应技术来对齐不同节点学习到的表征与目标节点数据分布。同时，我们设计了一个动态注意机制和利用特性解缠来增强知识转移。在几个图像和文本分类任务上进行了实证实验，并在无监督联邦域自适应设置下展示了有前途的结果。

Nov, 2019

本文提出了一种基于联邦学习的机器学习分布式范例，可以在保护隐私的前提下进行多方联合重新训练共享模型，并通过用户级领域自适应来提高模型精度，实验结果表明在为FL模型强制实施差分隐私界限时，该技术可以更大程度地提升模型的准确性。

Dec, 2019

提出了一种基于MAFL框架和FedMix算法的联邦学习方法，可保护隐私并在高度非独立同分布的情况下获得比传统算法更好的性能。

Jul, 2021

本文提出了一种基于联邦学习框架的隐私保护和通信高效方法，使用未标记的跨域公共数据进行一次离线知识蒸馏，提出了一种量化和嘈杂的本地预测集成方法，同时保证了强隐私保证和高准确性。

Sep, 2022

本文介绍了一种去中心化的联邦域自适应方法（ST-LF），旨在通过将机器学习模型从高质量标记数据的设备传输到低质量或未标记的数据设备来最大限度地利用所有数据。该方法考虑到设备间带宽的限制，通过优化设备的分类和源目标之间的链接形成来实现对通信能量效率和精度之间的权衡。通过数值评估，证明了该方法在精度和能量效率方面都优于现有技术基线。

Apr, 2023

在本文中，我们提出了一种名为RE-FL的新方法，该方法解决了资源受限设备中计算和通信挑战的问题。我们的可变修剪技术通过根据每个客户端的计算能力进行修剪来优化资源利用。我们还使用知识蒸馏来减少带宽消耗和通信轮次。对图像分类任务的实验结果证明了我们的方法在资源受限环境中保持数据隐私和性能的有效性，同时适应了异构模型架构。

Aug, 2023

Upcycled-FL是一种新颖的联邦学习框架，应用在每个偶数迭代中的一阶逼近，以在保持隐私的同时提高隐私-准确性平衡，并通过引入扰动机制来保护隐私。实验表明，Upcycled-FL在异构数据上持续优于现有方法，并且平均减少48％的训练时间。

Oct, 2023

在分布式学习中，我们引入了联邦特征多样化的概念，通过利用全局模型参数共享的聚合平均统计数据，每个本地客户端可以使自身的有限领域数据多样化，以实现学习与客户端无关的表示并保护隐私，并且我们提出了一种针对测试领域数据的实例自适应推理方法，通过动态调整特征统计与测试输入的一致性，从而减小测试和训练领域之间的差距，在联邦学习设置下，在几个领域泛化基准上取得了最先进的性能。

Jul, 2024

本研究针对联邦域自适应（FDA）中的数据异质性问题，提出了一种新框架——基于多域原型的联邦微调（MPFT）。MPFT通过丰富域特定信息的多域原型优化预训练模型，在单次通信轮次内显著提升了模型的域内和域外精度，并有效降低了计算与通信成本，同时保证了数据隐私。

Oct, 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