本文提出了一种称为 Federated Forest 的隐私保护机器学习模型，该模型是传统随机森林方法的无损学习模型，可以在不泄露原始数据的情况下处理分布在不同公司或政府机构中的数据。 通过该模型，开发了一种安全的跨地区机器学习系统，并提出了一种新型的预测算法来降低通信开销。 实验表明，Federated Forest 的性能已被验证，可以用于实际任务。

May, 2019

通过无监督随机森林聚类和联合计算，建立了一个强大的框架来推进精准医学，实现有效的患者分层和疾病亚型划分，改进了疾病亚型的解释性，并优化了局部聚类性能。

Jan, 2024

在医学领域，生存分析是一种基本工具，用于建模人群中出现感兴趣事件的时间。然而，在现实世界的应用中，生存数据通常是不完整、被审查、分布式和保密的，尤其是在关键性的医疗环境中，隐私保护至关重要。本研究提出了一种名为 FedSurF++ 的 Federated Survival Forest 算法的扩展，这种联邦集成方法在异构联邦中构建随机生存森林。FedSurF++ 相比于现有方法具有可比较的性能，只需要完成一轮通信，通过从客户端森林采样进行了广泛的实证调查，从算法和隐私保护角度来看，显着提高了效率、鲁棒性和隐私性，同时在两个真实数据集上展示了 FedSurF++ 在医疗领域研究中的成功。我们的结果强调了 FedSurF++ 在分布式环境中提高生存分析的可伸缩性和效果的潜力，同时保护用户隐私。

Aug, 2023

本文提出了一种新的个性化联邦学习框架来解决异构医疗数据在多个医院之间协作训练神经网络时的降级问题，并设计了差异性稀疏正则化器和降低计算成本的方法来提高计算效率，最后通过实验证明该方法可以获取最佳模型性能和高达 60％的通信效率改进。

Jun, 2023

使用分布式学习方法探索医疗数据的挑战和方法，评估当前方法的系统问题并提出改进建议。

Oct, 2023

通过联邦学习机制，能够保持本地机构中的敏感数据，同时在中央服务器上培训共享全球模型，从而改进卫生保健数据的隐私保护和数据分析，以解决医疗卫生数据碎片化和保密性问题。

Nov, 2019

本文综述了联邦学习在医学图像分析中的最新发展，介绍了联邦学习在处理隐私保护和协作学习问题方面的背景和动机，分类总结了现有的联邦学习方法，并提供了目前联邦学习研究的基准医学图像数据集和软件平台的回顾，同时进行了实验以评估联邦学习方法在医学图像分析中的应用。

Jun, 2023

通过提出一种被称为联邦特征蒸馏（FedFed）的新方法，本研究肯定了通过共享部分数据特征来解决数据异质性，并在全球范围内共享性能敏感的特征以减轻数据异质性的可能性。

Oct, 2023

提出了一种适用于高类别不平衡情况下学习的数据正则化算法在联邦学习环境中的应用，以提高心血管疾病预测模型的性能，并利用分布在联邦生态系统不同节点上的患者数据，不损害其隐私并实现更加资源敏感的分配。该方法在分散在不同客户端的四个心血管疾病预测数据集上进行评估，取得了改进的性能，并验证了在不同超参数设置和资源分配场景下的稳健性和适应能力。

May, 2024

本文介绍了关于联邦学习的理论方面，提出了一个聚合算子和不同类型的联邦学习，针对客户端数据分布要考虑的问题进行了详尽的分析，并提出了胸部 X 光图像分析的使用案例。针对训练数据中的不同客户端进行了模拟，并考虑了中断客户端所带来的不同问题及其解决方案。比较了集中式方法、三个客户端和十个客户端的预测结果，结果显示联邦学习在保护隐私以及提高预测准确性、降低运行时间方面具有很好的效果。最后，提出了未来工作和改进方向。

Jul, 2022