在现代机器学习模型中，单机上训练这些规模的模型往往变得不现实，因此越来越多的人开始借用联邦学习技术以分布式和协作的方式来训练大规模机器学习模型。然而，当这些模型在新设备上部署时，可能因为领域转移而难以泛化。本文中，我们介绍了 RF-TCA，这是对标准的转移组件分析方法的改进，它在不损害理论和实证性能的情况下显著加速了计算过程。利用 RF-TCA 的计算优势，我们进一步将其扩展到联邦领域适应性设置中的 FedRF-TCA。所提出的 FedRF-TCA 协议在通信复杂度上与样本大小无关，同时保持着与最先进的联邦领域适应性方法相当甚至超过其性能。我们进行了大量实验来展示 FedRF-TCA 的卓越性能和对网络条件的稳健性。

Nov, 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

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

FedPFT 是一种使用参数特征传输的联邦学习方法，通过转移基础模型的参数模型来增强通信效率和准确性。FedPFT 在集中式和分散式联邦学习场景下的实验结果表明，在不同的数据异质性设置中，如协变量转移和任务转移，在通信准确性前沿方面提供了最高 20.6% 的改进。此外，FedPFT 遵循联邦学习中的数据最小化原则，并通过差分隐私提供了有利的隐私准确性权衡。

Feb, 2024

在联邦学习场景下，我们提出一种基于对比学习和 Vision Transformer（ViT）的模型方法 FDAC，目的是通过操作 ViT 的潜在架构来学习可转移的表示，同时通过域增强和语义匹配来增加目标数据的多样性，实验结果表明，FDAC 在大多数情况下都优于所有比较方法，并且还可以提高通信效率。

May, 2023

引入广义协方差约束来编码数据融合和迁移学习应用中的额外统计信息，截至目前的最佳技术 CGMCA 可以比 MCA 更有意义地编码地图，并提供了计算算法。

Oct, 2021

在垂直联邦学习中，通过保护数据隐私，商业实体共同训练一个模型。然而，恶意参与者的毒化攻击可能会降低这个合作模型的性能。为了解决这个挑战，本文引入了一种创新的端到端毒化框架 P-GAN。同时，我们还开发了一种基于深度自编码器（DAE）的异常检测算法，为垂直联邦学习情景提供了强大的防御机制。通过大量实验，我们评估了 P-GAN 和 DAE 的效能，并进一步分析了影响它们性能的因素。

Jan, 2024

本研究使用深度强化学习算法解决在 NFV-enabled MEC 环境下的部分卸载和服务功能链映射问题，旨在在执行延迟，移动设备的能量消耗和边缘计算的使用费用方面优化。研究结果表明，所提出的算法在累积和平均随机回报方面优于三种深度强化学习算法的组合，并在执行延迟，能量消耗和使用费用方面胜过众多基准算法。

May, 2022

本研究提出了一种联邦迁移学习（FTL）方法来进行工业物联网网络入侵检测，并且通过使用组合神经网络作为 FTL 的核心来提高整体性能。

Oct, 2023

通过引入 5G 模块化网络功能和分布式结构，我们提出了一种分层网络数据分析框架 (H-NDAF)，以解决在增加的分析请求中，传统网络数据分析功能不能及时提供准确结果的问题。通过广泛的仿真结果，在开源软件 (free5GC) 中证明了 H-NDAF 相对于传统 NWDAF 可以提供更准确和更快速的分析结果。

Sep, 2023