该研究采用 Pareto HyperNetworks（PHNs）实现了 Pareto-Front Learning（PFL），它通过一个超网络同时学习并输出 Pareto 前沿，并且相比于训练多个模型，该方法具有更高的运行时效率，并可以根据运行时的偏好选择特定模型。

Oct, 2020

本文提出了一种混合联邦分裂学习框架来利用联邦学习与分裂学习的优势，在无线网络中将多工器并行更新和灵活的分裂相结合，并采用预测生成对抗网络算法对多目标优化进行求解。实验结果表明，该算法在找到帕累托最优解方面优于其他算法，并且所提出的 HFSL 的解支配 FL 的解。

Sep, 2022

提出 PHN-HVI 框架，利用超网络从多样化的权衡偏好生成多个解并最大化这些解定义的超体积指标以提高 Pareto 前沿的质量，在多个 MOO 机器学习任务上实验结果表明，与基线方法相比，该框架显著提高了产生权衡 Pareto 前沿的性能。

Dec, 2022

本研究提出了一种基于预训练图像转换器（PITs）的初始模型 FES-PIT，用于加速训练过程和提高模型的鲁棒性，并通过使用零阶优化（ZO）逼近服务器梯度的 FES-PTZO 防止梯度反转攻击，从而在现实世界数据集、不同设备参与度和异构数据分割方面对 FSL 方法与 PITs 进行了系统评估，实验证明了算法的有效性。

Mar, 2024

使用边缘计算和分段学习相结合的模型分割允许 FL（SFL）框架，以缓解在使用联邦学习（FL）训练深度神经网络（DNNs）时客户端面临的计算能力短缺问题，并旨在通过最小化训练延迟而不损失测试准确性。

Jul, 2023

本文提出了 CPN-FedSL，这是一种利用计算机能力网络（CPN）实现的新颖灵活的联邦分割学习（FedSL）框架，其中引入了一种新的性能度量标准 Resource Usage Effectiveness（RUE），并设计了解决多元调度问题的方案 Refinery，该方案先将分数型目标函数和非凸约束线性化，再通过多轮贪婪算法求解变换后的问题。实验结果表明，CPN-FedSL 优于标准和最先进的联邦学习框架（例如 FedAvg 和 SplitFed），而 Refinery 不仅轻量级，而且在各种设置下均明显优于其变体和事实上的启发式方法。

May, 2023

PDL-SCOPF 是一种自我监督的端到端原始 - 对偶学习框架，用于以毫秒级生成大规模 SCOPF 问题的接近最优解。该框架旨在通过结合传统优化方法和机器学习，缩小大规模优化任务之间的差距。

Nov, 2023

提出了一种新颖的拆分联邦学习（SFL）框架，它通过将具有不同计算资源的客户端配对，将神经网络模型逻辑分为两部分，每个客户端只计算分配给它的部分，从而显著提高了联邦学习的训练速度，并在独立相同分布（IID）和非 IID 数据分布中实现了高性能。

Aug, 2023

由于资源约束场景的优势，分割联邦学习（SFL）在 AIoT 系统中具有潜力。为了解决数据异构性和滞后问题，本文提出了一种名为滑动分割联邦学习（S^2FL）的新型 SFL 方法，该方法采用自适应滑动模型拆分策略和基于数据平衡的训练机制。实验结果表明，与传统的 SFL 相比，S^2FL 的推断准确性提高了 16.5％，训练加速了 3.54 倍。

Nov, 2023

本研究介绍一种名为 Split-fed learning (SFL) 的新颖算法，它将 Federated learning (FL) 和 Split learning (SL) 相结合，解决了它们各自固有的缺点，并增强了数据隐私和模型鲁棒性。SFL 具有比 SL 更短的计算时间，并具有与 SL 相似的测试准确性和通信效率，非常适用于资源受限的环境中。

Apr, 2020