本文针对联邦学习中标签噪声频繁存在的问题提出一种本地自我正则化的方法，通过模型蒸馏有效地规范本地训练过程，并且可以在各种噪声水平下实现显著的噪声抵抗力，并在 Clothing1M 真实数据集上取得卓越的表现。

Aug, 2022

本篇论文提出了一种名为 FedCNI 的方法，通过使用噪声鲁棒局部求解器和强健的全局聚合器，在 Federated learning 的小规模本地数据集中解决标签噪声和类别不平衡带来的挑战，并在混合异构 FL 场景中实现了比现有技术更好的性能。

Apr, 2023

本文针对联邦学习中数据标签噪声的影响，在 MNIST 和 CIFAR-10 数据集上进行了实验和理论分析，发现标签噪声会导致全局模型的准确度线性下降、训练收敛速度变慢且容易过拟合。

Nov, 2022

本文提出了一种名为 FedCorr 的多阶段框架，用于处理具有异构标签噪声的联邦学习，它动态识别嘈杂的客户端，基于每个样本的损失来纠正客户端中的错误标签，并增加了基于估计的本地噪声级别的自适应局部近端正则化项来应对数据异构性并提高训练稳定性。经过实验验证，它在多个噪声级别下表现出鲁棒性，大大优于现有的最新方法。

Apr, 2022

本文研究基于联邦学习的标签噪声问题，并提出了一种基于学习的重新加权方法来减轻该问题的影响。同时，本文还提出了一种名为 Comm-FedBiO 的方法来解决通信效率低的 Federated Bilevel Optimization 问题，并在多个真实世界数据集上验证了其表现优于其他方法。

Jun, 2022

本研究提出了一种名为 FedNoRo 的框架，用于应对医疗场景下的分类不平衡和标签噪声异质性问题，其中第一阶段使用高斯混合模型进行噪声客户端识别，第二阶段结合知识蒸馏和距离感知聚合函数用于噪声鲁棒联邦模型更新，实验结果表明 FedNoRo 优于现有研究在应对实际场景中的类不平衡和标签噪声的能力。

May, 2023

本文通过研究噪声客户端带来的问题，并量化了其对不同层学习的影响，提出了一种名为 Fed-NCL 的框架来进行鲁棒性联邦学习，并通过鲁棒的层级聚合和标签修正来解决由噪声客户端引起的数据异质性问题，实验结果表明，该算法提高了带有噪声客户端的各种最新系统的性能。

Jun, 2021

本文探讨了在联邦学习（FL）中使用用户反馈进行标记和降噪以提高 ML 模型性能的新方法，通过两个文本分类数据集的实验表明该方法在保护隐私的同时提高了模型的性能。

May, 2022

本文提出了 FedReg 算法来解决分布式学习中的灾难性遗忘问题，通过在本地训练阶段使用生成的伪数据作为正则化器，以保护用户隐私并提高算法的收敛速度。

Mar, 2022

我们介绍了一种在硬件受限环境中用于实现客户端适应性的隐私保护、资源高效的联邦学习概念。通过在源数据上进行服务器模型预训练，并在低端客户端上对目标数据进行细调，我们的方法通过从源域和目标域数据近似的实例级特征统计的概率混合来简化本地客户端适应过程。适应参数传回到中央服务器后进行全局聚合，初步结果表明我们的方法在保持竞争性性能的同时降低了计算和传输成本。

Dec, 2023