在联邦学习场景下，我们提出一种基于对比学习和 Vision Transformer（ViT）的模型方法 FDAC，目的是通过操作 ViT 的潜在架构来学习可转移的表示，同时通过域增强和语义匹配来增加目标数据的多样性，实验结果表明，FDAC 在大多数情况下都优于所有比较方法，并且还可以提高通信效率。

May, 2023

论文提出了利用代理中心支持集的高斯过程分散数据融合算法，允许每个移动感知代理在执行过程中选择不同的支持集并动态切换，以便将其自己的数据封装到本地摘要中，然后可以与其他代理的本地摘要相结合，从而预测环境现象。同时，提出了一种新的信息共享机制，并通过实验验证了该算法的性能优异。

Nov, 2017

我们提出了一种统一的域泛化框架，通过在训练和推断阶段引入振幅增强和一致性训练方案，旨在解决协作感知系统中的域漂移和域差异问题，并通过广泛实验证明了其有效性。

Nov, 2023

通过使用具有不同骨干架构的独立特征提取器和弱假设惩罚正则化策略，我们提出了一种基于无监督学习的源自由域自适应新算法，以促进表示多样性，并在协变量转移方面应用。

Apr, 2023

本研究提出了一种基于异构数据的去中心化学习新方法，通过利用对比损失上的无数据知识蒸馏来提高性能，并通过大量实验证明了该方法在不同计算机视觉数据集、模型架构和网络拓扑中相比其他现有技术在异构数据的去中心化学习中实现了卓越的性能（测试准确率提升 0.2-4%）。

Oct, 2023

本文针对 Federated Learning 领域中存在的不同数据集之间的 Domain Discrepancy 挑战，分析了来源于知识蒸馏模型的聚合模型的泛化界限，并提出了一种基于 Domain Discrepancy Aware Distillation 的自适应知识聚合算法 FedD3A 来降低该界限，并在两个流行的跨域数据集上验证了该算法的有效性。

Oct, 2022

本文提出了一种用于跨平台推荐的隐私保护双蒸馏框架，其通过双重蒸馏策略实现了跨平台本地模型知识转移，采用离线训练方案降低了通信需求和隐私泄露风险，并采用差分隐私进一步保护传输的信息。与现有领先方法相比，本文的方法在两个真实数据集上实现了更好的效果。

May, 2023

本文提出了一种基于模型无关且不共享模型信息的多智能体感知框架，旨在消除模型差异性对性能的负面影响。具体地，我们提出了一种置信度校准器，可消除预测置信度评分偏差，并为此独立地在标准公共数据库上进行校准。此外，我们还提出了相应的边界框聚合算法，考虑了相邻框的置信度和空间一致性。我们的实验阐明了跨不同代理人的模型校准的必要性，结果表明所提出的框架提高了异构代理人的基线 3D 物体检测性能。

Mar, 2022

本文提出了一种新的异构领域适应 (HDA) 学习方法，使用两个不同的投影矩阵将两个域的数据转换为公共子空间，并提出两个新的特征映射函数将转换后的数据与原始特征和零进行增强。使用 SVM 等现有学习方法，本方法称为异构特征增强 (HFA) 可以有效地利用来自两个域的数据进行 HDA 并比现有方法表现更好。同时，文章还设计了交替优化算法来解决 HFA 中的非平凡优化问题。

Jun, 2012

本文提出了一个名为 VFed-SSD 的半监督分裂蒸馏框架，通过匹配对检测（MPD）的自监督任务和避免跨机构服务的 Split Knowledge Distillation（SpiltKD）模式来克服在广告系统中应用垂直联邦学习的两个挑战：标记样本缺乏和实时跨机构服务成本高。实证研究表明，我们的方法在三个工业数据集上表现良好，平均 AUC 分别提高了 0.86％和 2.6％，在本地部署模式和联邦部署模式下都显著提高了效果。

May, 2022