本文提出了 FairFed 算法，该算法针对联邦学习中的群体公平性问题，在保证本地数据隐私的前提下，通过支持灵活的本地去偏差方法，增强了群体公平性，实验结果表明 FairFed 算法比现有的公平 ML 和联邦学习算法更加公平，特别是在数据分布不均的情况下。

Oct, 2021

通过考虑客户端和服务器的可信度需求，我们提出了一个新的框架来解决联合学习中的双向信任问题，包括创建服务器和客户端的偏好函数、建立基于声誉的推荐系统、分配可信度分数、使用统计的四分位数方法进行设备的信任度评估以及设计智能匹配算法。通过模拟和实验结果，我们的方法提高了信任水平、全局模型准确性，并减少了系统中的不可信客户端。

May, 2024

采用新的真实数据分布，提出一种名为 FedIIC 的隐私保护框架，该框架通过类内对比学习和共享全局样本的类间对比学习进行特征提取器的校准来缓解训练造成的偏差，并使用考虑难度的逻辑调整构造 softmax 交叉熵损失以确保所有类别的平衡决策边界。在公共可用数据集上的实验表明，FedIIC 在处理两种耦合问题的同时，具有更优越的性能。

Jun, 2022

该研究论文提出了一种在联邦学习中实现三重公平性的公平客户选择方法，通过公平的客户选择策略、公平的参与轮数和客户间的公平准确度分布，与现有技术基准相比，在 IID 数据上减少了 18.15% 的准确率差异，在非 IID 数据上减少了 54.78% 的准确率差异，并且平均训练时间减少了 24.36%。

Jan, 2024

本文提出了一种公平感知的不可知联邦学习框架（AgnosticFair），它使用核重新加权函数在损失函数和公平性约束中为每个训练样本分配一个重加权值，从而能够在未知测试数据上实现高精度和公正性保证。实验结果表明，在数据转移的情况下，在两个真实数据集上的效果显著。

Oct, 2020

本研究旨在探讨有关机器学习模型中特定人群或群体受到偏待的问题以及解决方法，其中我们特别研究了本地模型与全局模型之间公平性的关系，并提出了一种基于惩罚性经验损失最小化的全局公平训练算法，实验证明我们的方法在保持高准确率的同时，相比本地公平训练方法能够更有效地提升公平性。

May, 2023

本文提出了一种名为 FedSAM 的基于 Sharpness Aware Minimization (SAM) 本地优化器的泛化学习算法，以解决 FL 中的数据异构性问题，并在理论上证明了其几何级数的收敛性和泛化边界。在实证方面，我们的算法大大优于现有 FL 研究并显著降低了学习偏差。

Jun, 2022

通过 Lyapunov 优化的公平感知联邦用户选择（FairFedCS）方法可以在联邦学习中动态调整联邦用户的选择概率，根据联邦用户的声誉、参与联邦任务的次数和对最终模型性能的贡献，共同考虑性能和公平性。在真实的多媒体数据集上进行的大量实验表明，FairFedCS 平均实现了 19.6% 更高的公平性和 0.73% 更高的测试准确性，超过了最佳性能的现有方法。

Jul, 2023

邻联学习是一种处理分布式学习问题的重要方法，该论文提出了一种新的邻联学习系统，通过使用零样本数据增强来解决客户端数据统计异质性的问题，以提高联邦网络中客户端之间的精度一致性和公平性。

Apr, 2021

本研究提出了一种同时优化协作公平性和性能公平性的联邦学习方法，该方法基于在梯度空间和数据空间中测量客户端贡献的方法进行。通过这种方法，我们提出的方法 FedCE 得到了有效验证，具有显著提高性能并具有更好的公平性。

Mar, 2023