本文提出了一种在联邦学习中学习所有参与客户机中共同不变（因果）特征的方法，并经验性地分析了它如何增强模型的精度和隐私性。
Apr, 2021
本文提出了一种新型的通过联邦学习来检测客户端服务器上有害网络活动的异常检测器，使用自编码器和分类器来判断网络活动是否良性或恶意，研究表明，联邦学习使得全局模型能够从每个客户端的数据中学习，并为每个客户端提供了改善其入侵检测系统防御网络攻击的手段。
Oct, 2022
本文提出了一种基于贝叶斯方法的个性化联邦学习框架，采用参数后验的正态化流实现了个性化，从理论上分析了正态化流对贝叶斯神经网络的异常检测的影响，并通过在异构数据集上的实验结果表明，该方法不仅提高了准确性，还在异常检测方面优于基线模型。
Feb, 2024
我们提出了一种新颖的解决方案 PV4FAD，它结合了全同态加密 (HE)、安全多方计算 (SMPC)、差分隐私 (DP) 和随机化技术，以在训练期间平衡隐私和准确性，并防止模型部署时的推理攻击。
Oct, 2023
我们提出了一种有效的联邦图异常检测框架 (FGAD)，通过引入异常生成器来扰动正常图形，通过区分生成的异常图形和正常图形来训练强大的异常检测器。然后，我们利用一个学生模型从训练的异常检测器（教师模型）中提取知识，旨在保持本地模型的个性并减轻非独立同分布问题的不利影响。此外，我们设计了一个有效的协作学习机制，促进了本地模型的个性保存并显著降低了客户之间的通信成本。与最先进的基准线相比，在非独立同分布图上的图异常检测任务的实证结果表明了所提出的 FGAD 方法的优越性和效率。
用于自动驾驶的半监督联邦目标检测（SSFOD）框架：SSFOD 是一种针对分布式数据源的模型训练框架，其中服务器端只有部分标注数据，客户端拥有未标注数据。FedSTO 是一个两阶段的策略，包括选择性训练和正交增强全参数训练，通过数据转移和区分度增强来有效解决服务器和客户端之间的数据差异。该方法在自动驾驶数据集上验证了其有效性，并表现出与完全监督集中训练方法几乎相当的性能。
该论文提出了一种基于垂直联合学习的算法 FadMan，用于多个属性网络和不带属性网络上的异常检测，涉及联邦异常检测、公共异常子图和私有异常子图对齐等方面，实验结果表明，FadMan 在准确率方面比竞争方法至少高 12％。
May, 2022
本研究提出了一种基于联邦学习的时序异常检测框架，采用分布式的共享变分自编码器（VAE）结合卷积门循环单元（ConvGRU）模型，对网络传感器产生的高维多元时序数据进行表征学习和异常检测任务。实验表明，该方法在综合性能和检测延迟方面比其他最先进的模型具有优势。
Aug, 2021
提出了一种称为 FedRR 的有效的非参数方法，该方法利用联邦学习生成的参数更新的低秩特征来解决对抗攻击问题，并能准确检测对抗性客户端和控制虚警率。
本文提出了一种在联邦学习系统中检测客户端异常行为的方法，通过生成模型权重向量的低维聚合来进行异常检测，实验结果表明该方法显著优于传统的防御方法。
Oct, 2019