本文提出了一种基于 Ornstein-Uhlenbeck 过程的方案，在受通信限制的情况下，通过收集具有信息更新的客户端模型和估计没有通信的本地更新的方式来更新中央模型，实现了在保证性能的同时显著减少了通信量，为联邦学习提供了一种新的通信效率优化方案。

Jul, 2020

本文综述性地介绍了分散化联合学习的定义、方法、挑战、变体、技术和研究方向。通过在客户端之间建立直接通信的去中心化网络结构，分散化联合学习能够省略中心服务器，降低通信开销并实现较高的学习效率和隐私保护。

Jun, 2023

本文提出了一种新颖的数据均匀采样策略用于联邦学习中，通过基于服务器期望的采样大小和所有可用客户端的总采样大小的概率来随机采样每个客户端上的本地数据进行局部模型学习，同时提出了一种基于差分隐私技术的隐私保护方法来评估总采样大小，实验结果表明FedSampling可以有效提高联邦学习的性能。

Jun, 2023

去中心化联邦学习解决方案的综述，包括现有的方法和未来的研究方向。

Aug, 2023

基于不对称拓扑结构和Push-Sum协议，DFedSGPSM算法以解决共识优化问题为目标，结合Sharpness Aware Minimization（SAM）优化器和本地动量，提高算法性能并减轻联邦学习中的本地异质过拟合问题。理论分析证明在非凸平滑环境下，DFedSGPSM算法以O(1/√T)的收敛速率收敛于全局最优解，而更好的拓扑连接性能会得到更严格的上界。在MNIST、CIFAR10和CIFAR100数据集上进行的大量实验表明，与最先进的优化器相比，我们的算法具有更优越的性能。

Oct, 2023

在高度普及的边缘场景中，缺乏中央控制器和预定的设备连接导致了复杂的网络结构，我们提出了一种通信高效的分散式联邦学习（DFL）算法来解决由数据和不同训练历史引起的异构学习难题，研究结果表明，与竞争方法相比，我们的解决方案能够训练出更好的本地模型并且在通信效率上更为优越。

Dec, 2023

联邦学习是一种机器学习范式，其中多个客户端通过利用私有数据来优化单一全局模型。本研究提出了一种基于高级特征进行一次聚类的客户端抽样策略，以在每一轮中实现分层的客户端抽样，以减少噪音并显著提高全局模型的收敛率，并显著减少了达到目标准确性所需的通信轮次。

Dec, 2023

调查分析了通信高效的联合学习方法，定义了通信效率的度量方法并提供了系统全面的分类和评述，讨论了提高联合学习系统通信效率的未来研究方向。

May, 2024

本研究针对联邦学习系统中动态引入新客户端所面临的挑战，探讨了数据异质性和不同数据分布对模型训练和系统效率的影响。提出了有效的客户端选择策略，并以光学质量检测图像为例提供了实用的解决方案，强调了新客户端集成在提升数据多样性和学习性能方面的重要性。

Aug, 2024

本研究探讨了联邦学习系统中新客户端的整合问题，识别了数据异质性和分布差异对模型训练和系统稳定性的影响。作者提出了一系列有效的客户端选择策略，以提升系统的可扩展性和稳定性，最终促进联邦学习在生产环境中的应用。

Aug, 2024