本研究旨在通过最大化源域的特征普适性，应用基于权重转移的迁移学习方法来诊断故障和评估机器的健康状况从而改善已有的深度学习方法在机器数据无标签且类别少、存在新故障的情况下应用到实际制造应用中困难的现状。特别地，采用自监督学习技术 Barlow Twins 训练的监测模型在未标注的、存在新故障的目标域中的表现优于有限的源数据下进行的有监督学习方法。此外，采用联邦学习技术进行分布式训练可以在机器之间扩散健康情况的知识，进而提高模型的泛化性能。

Apr, 2023

本文介绍了一种新的技术和框架，称为联邦迁移学习（FTL），它可以在数据联邦下提高统计模型的性能。该联邦允许共享知识而不会危及用户隐私，并可在网络中传输补充知识，从而使目标域方能够利用源域方的丰富标签构建更加灵活和强大的模型。同时，为了在联邦下保护 FTL 的性能，还提出了一种安全的跨验证方法。该框架需要对现有模型结构进行最小的修改，并提供与非隐私保护方法同样水平的准确性。该框架非常灵活，可有效适应各种安全多方机器学习任务。

Dec, 2018

使用联邦迁移学习来接地基础模型是当前学术界和工业界重要的研究方向，该研究论文介绍了一个联邦迁移学习框架，对最新的研究工作进行了详细分类和综述，提供了高效和隐私保护技术，并探讨了联邦迁移学习未来的机会和研究方向。

Nov, 2023

提出了一种低成本、高性能和可靠的工具状态监测系统 WeldMon，利用定制数据采集系统和实时分析设计的数据分析流程，通过将自动生成的特征和手工制作的特征进行综合分类，提高了状态分类准确性。

Aug, 2023

该研究提出了一种多任务联邦学习算法，通过添加非联邦批归一化层来允许用户训练个性化的模型，该算法支持联邦优化策略并在实验中表现出更快的收敛速度和更好的个性化精度。

Jul, 2020

该研究提出了一种基于混合模型假设的联邦多任务学习方法，该方法可以在设备上学习个性化模型并实现客户端和服务端两种架构下的联邦 EM 算法的收敛，同时在联邦学习基准测试中获得了更高的准确性和公平性。

Aug, 2021

我们提出了一种基于条件传输的不平衡转导式少样本学习模型（PUTM），通过使用前向和后向导航器作为传输矩阵来平衡查询样本中每个类别的先验概率，以充分利用不平衡查询样本的无偏统计信息，并在四个标准基准测试中证明了我们模型在类别不平衡的泛化方面的优越性。

Aug, 2023

提出一种新的跨城联邦迁移学习框架 (CcFTL) 来解决数据不足和隐私问题，将多个数据丰富的城市的关系知识传递到目标城市，并针对目标任务在源数据上训练模型参数，然后进行参数传递，通过联邦训练和同态加密设置，CcFTL 能够有效地处理城市之间的数据隐私问题，并将该方法应用于智慧城市的城市区域配置，实验结果表明，CcFTL 方法优于多种最先进的竞争方法。

May, 2022

基于大型语言模型的联邦学习方法，在无线网络中解决了隐私和安全保护机制不足的问题，并通过两种个性化无线联邦微调方法实现了低通信开销。

Apr, 2024

提出了一种基于联邦转移学习的智能设备多模态数据联合训练框架，分组采用有监督学习和自监督学习，实现了数据隐私保护和模型迁移，该框架在不同设备间收集数据并保持联邦学习的特性。

Sep, 2022