提出了一种名为 GPFL 的新的个性化联邦学习方法，该方法在每个客户端上同时学习全局和个性化的特征信息，并在六个数据集上展示了 GPFL 在效果、可扩展性、公平性、稳定性和隐私方面优于十种最先进方法的优越性，此外，GPFL 能够减轻过拟合问题，准确率比基线方法提高了 8.99%。

Aug, 2023

本文引入局部校准，利用特征和预测层次的跨机构不一致性，提出了一种个性化联邦学习框架 (LC-Fed)，用于提高医学图像分割的性能。对三个不同模态的任务，我们的方法始终比最先进的个性化 FL 方法表现更优。

Jul, 2022

使用堆叠泛化的新型个性化方法，在保护隐私的情况下，直接发送模型来训练元模型，并在水平、混合和垂直分区联邦中适用各种模型类型和隐私保护技术，从而创建更适合个体客户数据的多个模型，并通过多方面评估每位客户对联邦的贡献。

Apr, 2024

本综述论文研究了个性化联邦学习（PFL）的领域，着重解决异构数据带来的基本问题，通过分类和分析 PFL 技术，提出其关键挑战和机会，并展望了未来研究的发展方向。

Mar, 2021

联邦学习的普及与人工智能应用中对数据隐私的关注日益增长。联邦学习促进了多方合作的模型学习，同时确保了数据保密性。然而，由于不同客户数据分布导致的统计异质性问题，会带来一些挑战，例如不足的个性化和收敛速度慢。为了解决上述问题，本文简要总结了个性化联邦学习领域的当前研究进展，概述了个性化联邦学习的概念，审视了相关技术，并强调了当前的努力。此外，本文还讨论了个性化联邦学习的潜在进一步研究和障碍。

Feb, 2024

提出了基于特征提取器共享的异构个性化联邦学习方法 (pFedES)，该方法在不同客户端的本地模型中引入小型同质特征提取器，通过迭代学习方法进行训练，实现全局泛化知识和本地个性化知识的交换和共享，其理论上证明了 pFedES 能够在墙时收敛。在两个真实数据集上的广泛实验中，与六种最先进的方法相比，pFedES 构建了最准确的模型，同时通信和计算成本较低，与最佳基准相比，测试准确性提高了 1.61%，通信和计算成本分别降低了 99.6% 和 82.9%。

Nov, 2023

该研究通过扩展 FENDA 方法，提出了一种适用于临床应用的联邦学习方法，并在 FLamby 基准和 GEMINI 数据集上进行了实验证明其对异构临床数据具有鲁棒性，并通常优于现有的全局和个性化联邦学习技术。此外，实验结果对原始 FLamby 基准进行了实质性改进，并扩展了该基准以包括个性化联邦学习方法的评估。最后，该研究还提倡建立一个全面的检查点和评估框架，以更好地反映实际情况，并提供多个基准进行比较。

Sep, 2023

本研究提出了 FedSM 框架，以避免客户端漂移问题并成功解决中心化训练的泛化差距，为医学图像分割任务提供了一种新方法。同时，提出了个性化的联邦学习目标制定和新方法 SoftPull 来解决它。在深度联邦学习的现实医学图像分割实验中验证了我们提出方法的有效性。

Mar, 2022

在联邦学习中，为了解决不同客户端的局部数据异构性所带来的性能下降问题，提出了一种名为 pFedLA 的简单而有效的算法，该算法通过将关注机制纳入客户端的个性化模型，并保持关注块客户化，从而在任何联邦学习方法中提高其性能。

Apr, 2023

本研究讨论了联邦学习中的数据异质性问题，并提出了一种个性化的联邦学习方法，名为 pFedPM，通过特征上传来减少通信成本和允许异构客户端模型，实验证明该方法在 MNIST、FEMNIST 和 CRIFAR10 数据集上的通信效率优于其他联邦学习方法。

Jun, 2024