该研究提出了一种新型的面向医学图像分割的个性化联邦学习框架 FedICRA，利用自适应对比表示和聚合统一利用异构的弱监督信息，通过自适应的聚类和单个元素更新的聚合方式，将全局模型中的公共知识与本地模型中的独特知识相融合，同时减少标注成本，实现了在两个不同模态的医学图像分割任务中超越其他最先进的个性化联邦学习方法的效果。

Apr, 2023

我们提出了一种新颖的基于提示的个性化联邦学习（pFL）方法，以解决传统医学视觉问答（VQA）方法中的数据异质性和隐私问题。具体而言，我们将来自不同器官的医学数据集视为客户，并使用 pFL 为每个客户训练个性化的基于 Transformer 的 VQA 模型。为了解决以前的 pFL 方法中客户间通信的高计算复杂性，我们提出了一个简洁的信息共享系统，通过引入小的可学习参数提示。此外，所提出的方法引入了一个可靠性参数，以防止低性能和不相关客户的负面影响。最后，对各种异构医学数据集进行了广泛评估，证明了我们提出的方法的有效性。

Feb, 2024

本文引入局部校准，利用特征和预测层次的跨机构不一致性，提出了一种个性化联邦学习框架 (LC-Fed)，用于提高医学图像分割的性能。对三个不同模态的任务，我们的方法始终比最先进的个性化 FL 方法表现更优。

Jul, 2022

我们提出了一种新型的个性化联邦学习框架 pFedPG，通过在服务器上学习部署个性化提示生成器，生成适应本地数据分布的特定于客户端的视觉提示，以实现从大规模模型中获取强大表示能力同时为异构客户端实现高效个性化模型优化。

Aug, 2023

医学图像分割中，个性化跨领域联邦学习 (FL) 正变得受欢迎，以利用医疗保健环境中的多样数据来解决数据稀缺和隐私问题。本文提出了一种新的框架，通过特征增强实现个性化联邦学习 (pFLFE)，以减轻这些挑战。通过对三个医学分割任务的实验证明，pFLFE 的性能优于现有的方法。

Jun, 2024

通过一次性聚合方法（One-shot Aggregation）并引入分层后验聚合（Layer-wise Posterior Aggregation）的新方法 FedLPA，实现在其他机器学习领域中每一层的数据的继承和共享，从而显著提升了该方法的学习性能。

Sep, 2023

本文提出自监督联邦学习框架（SSFL），包括标签不足、数据异构性等挑战，并提出一系列算法，如 Per-SSFL、FedAvg 和 SimSiam 等。作者还开发了一个分布式训练系统和相关评估协议，发现监督和非监督学习之间的性能差距小。

Oct, 2021

在多标签联邦学习中，考虑到任务异质性，本文提出了 FedMLP 方法，通过伪标签标记和全局知识学习两个方面来解决标签缺失问题，并在两个公开的医学数据集上验证了其优越性。

Jun, 2024

在联邦学习中，为了解决不同客户端的局部数据异构性所带来的性能下降问题，提出了一种名为 pFedLA 的简单而有效的算法，该算法通过将关注机制纳入客户端的个性化模型，并保持关注块客户化，从而在任何联邦学习方法中提高其性能。

Apr, 2023

本论文提出一种名为 FedSpa 的新型 PFL 方案，它采用个性化稀疏掩码来在边缘上自定义稀疏的本地模型，理论和实验表明，FedSpa 不仅节省了通信和计算成本，而且在模型准确性和收敛速度方面表现优异。

Jan, 2022