本文提出和描述了联邦学习开放应用程序仓库（OARF），这是一个联邦机器学习系统基准套件。 OARF使用公开可用的数据集作为图像、文本和结构化数据中的不同数据储存库，将更真实的应用场景与以前的基准集合合并，此外通过评估重要的联邦学习方面，如模型准确性，通信成本，吞吐量和收敛时间的性能，我们发现联邦学习可以有效地增加端到端吞吐量。

Jun, 2020

介绍了FedScale，一种联邦学习测试套件，具有现实数据集和可扩展运行时，旨在支持可重复制的联邦学习研究，可以进行系统性测试以提高异构感知的联合优化能力。

May, 2021

该论文提出了一种基于垂直联合学习的算法FadMan，用于多个属性网络和不带属性网络上的异常检测，涉及联邦异常检测、公共异常子图和私有异常子图对齐等方面，实验结果表明，FadMan在准确率方面比竞争方法至少高12％。

May, 2022

本文对1,112个分布式学习框架的漏洞进行了首次实证研究，发现了15个症状、12个根本原因和20种修复模式，并对其在23个逻辑组件和两个主要应用场景中的相关性和分布进行了调查。据此提出了九项发现，并对分布式学习框架的开发者和安全研究人员提出了一些建议。

Aug, 2023

该论文介绍了一种先进的异常检测方法，针对联邦学习系统中的恶意客户端进行攻击检测和防御操作，并借助零知识证明机制来确保服务器上诚实执行的性能优越性。

Oct, 2023

我们提出了一种新颖的解决方案PV4FAD，它结合了全同态加密(HE)、安全多方计算(SMPC)、差分隐私(DP)和随机化技术，以在训练期间平衡隐私和准确性，并防止模型部署时的推理攻击。

Oct, 2023

联邦学习是一种有前景的在不同方参与者之间保护隐私的合作范例，本文系统地概述了对联邦学习的重要和最新研究进展，包括研究历史、术语定义、泛化、鲁棒性和公平性等方面，并提出了进一步研究的机会和公开问题。

Nov, 2023

我们提出了一种有效的联邦图异常检测框架(FGAD)，通过引入异常生成器来扰动正常图形，通过区分生成的异常图形和正常图形来训练强大的异常检测器。然后，我们利用一个学生模型从训练的异常检测器（教师模型）中提取知识，旨在保持本地模型的个性并减轻非独立同分布问题的不利影响。此外，我们设计了一个有效的协作学习机制，促进了本地模型的个性保存并显著降低了客户之间的通信成本。与最先进的基准线相比，在非独立同分布图上的图异常检测任务的实证结果表明了所提出的FGAD方法的优越性和效率。

Feb, 2024

分布式学习是一种实际的方法，用于从分散的数据中训练模型。分布式学习算法（如FedAvg、FedProx、FedYogi、FedAdam、SCAFFOLD和FedDyn）的综合性能评估揭示了单一算法在不同性能指标上表现并不最佳，同时也存在诸如计算负载、通信负载、性能稳定性等方面的问题。

Mar, 2024

利用潜在表示学习和联邦学习技术改进了组织内未知异常的检测，通过仅共享模型参数而保护数据隐私，并在分布式环境中对金融和图像数据集进行了有效评估。

Apr, 2024