该研究论文探讨了在联邦学习中使用$d$-privacy的方法，以保护客户的敏感信息并允许个性化模型训练以提高系统的公平性和效用。同时，使用度量基础的混淆技术来保持原始数据的拓扑分布特征，并在真实数据集上进行了证明和实验验证。

Jun, 2022

我们介绍了一种名为FedTSDP的两阶段解耦式联邦学习算法，其中根据推理输出和模型权重两次进行客户端聚类。采用了修正的Hopkins采样来确定聚类的适时，并且使用公共未标记数据的采样权重。此外，我们开发了一种简单但有效的方法，根据不同程度的数据倾斜自适应调整个性化层。实验结果表明，我们提出的方法在IID和非IID场景下具有可靠的性能。

Aug, 2023

本文介绍了在联邦学习框架中处理个性化、隐私保证和公平性三者之间的相互关系，通过引入$d$-privacy方法，提供个性化模型训练、形式上的隐私保证和显著优于传统联邦学习模型的群体公平性。

Sep, 2023

该论文介绍了一个名为REPA的方法，用于在非独立同分布的联邦学习环境中进行客户端聚类，该方法不需要进行训练或标记数据收集，并使用一种基于自动编码器的监督方法来创建客户端的嵌入，从而揭示其潜在数据生成过程，并在三个不同数据集上进行的实验分析证明REPA在提供最先进的模型性能的同时扩展了基于聚类的联邦学习的适用范围。

Sep, 2023

分散数据集的联邦学习技术可以进行机器学习，而无需数据集合，因此更好地保护数据的隐私和所有权。本研究介绍了一种以联邦方式实现K-means聚类的算法，旨在解决中心之间聚类数量变化和在不易分离的数据集上的收敛问题。

Oct, 2023

在机器学习系统中，通过联邦学习作为一个安全的分布式机器学习方法，有效提升隐私安全；它利用区块链技术将机器学习模型转移到边缘服务器，通过这种机制保证了集中式和分散式系统的高效处理和数据存储需求，强调可伸缩性、隐私考虑和成本有效的通信。本文对最近的联邦学习应用进行了分析和比较，以评估其效率、准确性和隐私保护。然而，鉴于联邦学习复杂且不断演化的特点，明确需要进一步研究来解决知识间的差距并有效应对该领域面临的挑战。在本文中，我们将最近的文献分为以下几个类别：隐私保护、资源分配、案例研究分析和应用，此外，在每个章节的末尾，我们还对参考文献中提出的开放领域和未来方向进行了总结，为研究人员提供了领域演进的深入视角。

Oct, 2023

分布式学习框架-联邦学习增强了个人数据隐私保护，允许协作研究且无需共享敏感数据；通过多源信息合作，提供更多种类的洞察力。本文是对隐私保护机器学习的系统性文献综述，通过PRISMA指南对近年来得出的有关联邦学习的监督/非监督机器学习算法、集成方法、元启发式方法、区块链技术和强化学习，以及联邦学习应用进行了广泛回顾。旨在为研究人员和实践者提供从机器学习角度对联邦学习的全面概述，并提供了一些开放问题和未来研究方向的讨论。

Nov, 2023

通过测量局部模型权重的相似性，一种名为FedClust的新型聚类联邦学习方法，通过在一个步骤中将客户端分组成簇的方式，解决了非独立同分布数据情况下不均匀数据分布导致的性能下降问题，并且相比其他最先进方法，FedClust在模型精度上提高了高达约45％，并且在收敛速度上具有显著降低的通信成本，最高可达2.7倍。

Jul, 2024

本研究针对联邦学习中数据层异构性的问题，提出了一种新的联邦原型修正方法与个性化相结合的方案，称为偏斜异构联邦学习（SHFL）。该方法通过构建平衡的决策边界和修正经验原型，显著提高了个性化与普适性的平衡表现，超越了当前的先进技术。

Aug, 2024

本研究解决了联邦学习在无监督场景下的应用不足，提出了一种新颖的联邦聚类方法，实现无标签和不均匀数据分布下跨多个客户端的完整类别识别。通过设计联邦聚类逐步精炼方法(FedCRef)，该方法显示出在无监督的联邦学习环境中显著提高数据表示精度的潜力。

Aug, 2024