本文介绍了自适应编码联邦学习（ACFL）的方法，其中在训练之前，每个设备上传一个带有加性噪声的编码本地数据集到中央服务器，以满足隐私保护要求产生全局编码数据集，通过设计聚合权重的自适应策略，聚合来自非滞后者的梯度和来自全局编码数据集的梯度，在隐私和学习性能优化方面进行性能分析，并进行模拟实验证明 ACFL 的优越性。

Mar, 2024

本文提出了一种新的编码联合学习方案，利用一次性填充保护隐私和梯度编码以增强对抗滞后设备的鲁棒性，通过共享一次性填充局部数据集并使用梯度编码的方式，实现联合迭代训练全局线性模型。相比传统联合学习，该方案在 MNIST 和 Fashion-MNIST 数据集上将训练速度提高了 6.6 和 9.2 倍，在准确率达到 95% 和 85% 时，保持了传统联合学习的隐私保护水平。

Sep, 2021

研究采用安全的联邦学习方法，提出了一种应对非独立同分布挑战的方法，并将差分隐私与混沌加密进行了比较。实验表明，联邦深度学习模型在差分隐私的保护下，在独立同分布和非独立同分布数据的情况下都能提高深度神经网络的平均性能度量。

Feb, 2024

本文讨论了联邦学习的隐私保护机制，分析了非独立同分布数据对水平和垂直联邦学习中参数和非参数机器学习模型的影响，概括了当前解决非独立同分布数据挑战的方法，并讨论了这些方法的优缺点。最后，提出了研究方向。

Jun, 2021

该论文通过梯度冲突现象研究了联邦学习中来自多个客户端的异构性问题，并提出了一种简单有效的方法 FedGH，通过梯度协调来解决此问题。实验证明，FedGH 在不同基准和非 IID 场景中能显著提升现有的联邦学习方法，尤其在存在更强异构性的情况下效果更为显著，而且它可以方便地集成到任何联邦学习框架中，无需超参数调整。

Sep, 2023

通过提出集中式的、基于神经网络的联邦学习系统，利用边缘计算减少中央服务器的负载，同时在各种数据分布设置中相对于一些现有基准算法取得令人满意的性能。

Nov, 2023

本文着重研究了在本地数据不 IID 的情况下联邦学习面临的统计挑战，提出了一个使用全局数据子集来提高非 IID 数据训练准确性的解决方案，并通过实验表明，使用仅占 5％的全局数据子集就可以将 CIFAR-10 数据集的准确性提高 30％。

Jun, 2018

本文介绍了一种解决在非 i.i.d 情况下的联邦学习中局部模型漂移导致学习受阻的问题的方法，通过在损失函数中加入惩罚项，强制所有的局部模型收敛到共同的最优值，将 Catastrophic forgetting 的解决方案应用到联邦学习中，并证明这可以在分布式环境下高效地完成，通信量随节点数扩大而扩展，对于 MNIST 数据集的图像识别，该方法优于竞争对手。

Oct, 2019

该论文研究了在分布式样本中进行非参数回归的联邦学习，其中每个样本服务器都遵守不同的差分隐私约束。在考虑到不同服务器的变化样本大小和差分隐私约束的异构设置中，该论文同时考虑了全局和逐点估计，并建立了在 Besov 空间上的收敛最优速率。通过提出分布式隐私保护估计器并研究其风险性质，该论文还建立了匹配的极小下界，对于全局和逐点估计，在对数因子上与之相符。这些发现揭示了统计准确性与隐私保护之间的权衡，特别是在整个隐私框架中分发数据所带来的损失，除了隐私预算之外。这种洞察力捕捉到了在更大的样本中更容易保持隐私的民间智慧，并探索了在分布式隐私约束下逐点估计和全局估计之间的差异。

Jun, 2024

本文研究基于联邦学习的隐私保护问题，提出了一种局部差分隐私机制，以解决当前机制存在的噪声数据接近原始值、估计平均数的方差过大和深度学习模型权重维数高导致隐私预算过大的问题。实验结果表明，该机制不仅具有优异的深度学习性能，而且能够提供强大的隐私保证。

Jul, 2020