本文研究了分布式概念漂移下的联邦学习，提出了两种新的聚类算法以适应数据异质性和时间变化的漂移，并且通过实验验证表明它们的准确性显著优于现有的基线算法，接近理想算法。

Jun, 2022

本文提出了一种概念漂移检测系统，利用联邦学习在每次迭代中提供的更新来缓解漂移对模型性能的影响，使用降维和聚类技术，实现了在智能交通系统中不同漂移阶段和系统暴露水平的各种非 iid 场景中检测漂移节点的框架。

Sep, 2021

本研究旨在探讨有关机器学习模型中特定人群或群体受到偏待的问题以及解决方法，其中我们特别研究了本地模型与全局模型之间公平性的关系，并提出了一种基于惩罚性经验损失最小化的全局公平训练算法，实验证明我们的方法在保持高准确率的同时，相比本地公平训练方法能够更有效地提升公平性。

May, 2023

本文提出了 FairFed 算法，该算法针对联邦学习中的群体公平性问题，在保证本地数据隐私的前提下，通过支持灵活的本地去偏差方法，增强了群体公平性，实验结果表明 FairFed 算法比现有的公平 ML 和联邦学习算法更加公平，特别是在数据分布不均的情况下。

Oct, 2021

我们提出了一个群体公平的联邦学习框架，旨在在保护隐私和没有资源利用开销的情况下，减少群体偏见。我们通过利用平均条件概率来计算由异构训练数据得出的跨领域群体重要性权重，使用修改的乘法权重更新方法来优化表现最差的群体的性能。此外，我们提出了正则化技术来最小化最差和最好表现群体之间的差异，同时通过阈值机制确保在减少偏见和群体表现下降之间取得平衡。我们对人类情绪识别和图像分类基准进行了评估，以评估我们的框架在实际异构环境中的公平决策能力。

Sep, 2023

该研究提出了一种新的联邦学习算法，专门解决群体公平性问题，该算法在统计异质性和不同数量的客户端存在的情况下，既可以定量又可以定性地改善公平性，并几乎不影响准确度，并且与本地差分隐私兼容，通信成本微不足道。这一算法对于提高敏感应用领域（如医疗保健或刑法司法）的联邦学习系统的公平性和有效性具有重要的潜力。

Jul, 2023

在分布式数据训练中，为了解决公平性问题，本研究提出了一种适用于分布式和异构系统的具有小样本和分布自由保证的后处理算法 FedFaiREE。该算法考虑了分布式环境中的挑战，如客户异质性、通信成本和小样本大小，并在公平性和准确性方面提供了严格的理论保证，通过实验证明了所提方法的鲁棒性。

Feb, 2024

我们提出了一种名为 mFairFL 的方法，通过使用差分乘数构建优化目标，同时实现组公平和客户公平，以解决在隐私不受损失的情况下训练公平的 FL 模型的问题。理论分析证明 mFairFL 有助于模型的公平性，并且基于三个基准数据集的实验评估显示 mFairFL 相对于七个最先进的基准模型具有显著优势。

Dec, 2023

本文针对数据流中的概念漂移进行了相关研究，分析法检测，理解和适应等漂移技术的发展趋势，并建立了一个包含三个主要组件的漂移学习框架：概念漂移检测，概念漂移理解和概念漂移适应。同时，本文还列举和讨论了 10 个流行的合成数据集和 14 个公共基准数据集，以评估处理概念漂移的学习算法的性能，涵盖和讨论了概念漂移相关的研究方向。通过提供最新的知识，本综述将直接支持研究人员对概念漂移学习领域的研究发展的理解。

Apr, 2020

本文提出了一种公平感知的不可知联邦学习框架（AgnosticFair），它使用核重新加权函数在损失函数和公平性约束中为每个训练样本分配一个重加权值，从而能够在未知测试数据上实现高精度和公正性保证。实验结果表明，在数据转移的情况下，在两个真实数据集上的效果显著。

Oct, 2020