本文介绍了研究人员如何通过实验分析不同层学习的表示来填补数据异质性影响深度分类模型每一层次的深度理解的空白，并提出了一种称为具有虚拟表示的分类器校准（CCVR）的新方法，该方法通过从近似高斯混合模型中采样虚拟表示来调整分类器。实验结果表明，CCVR在CIFAR-10，CIFAR-100和CINIC-10等流行的联邦学习基准测试中实现了最新的性能。

Jun, 2021

本研究提供了一个理论框架，量化了客户端抽样方案以及客户端异质性对联邦优化的影响，并建议在非 IID 和不平衡的场景下使用多项式分布采样作为默认采样方案。

Jul, 2021

通过使用跨库样本原型校准方法（FedCSPC）获取来自客户端的附加原型信息并在服务器端学习统一的特征空间，本文解决了既有解决方案在数据集偏差方面的限制，有效提高了特征一致性和性能表现。

Aug, 2023

通过结合全局对齐和局部普遍性的概念，我们提出了名为FedSoL的联邦稳定学习方法，该方法在寻求抵御邻近扰动的参数区域时，既可维持原始局部目标进行参数更新，又能在局部学习中引入一种隐式的邻近限制效果。进行了一系列实验表明，FedSoL在各种场景下始终保持最先进的性能。

Aug, 2023

提出了一种新的贝叶斯联邦学习算法——$eta$-Predictive Bayes，它能够在数据异质性增加的情况下提升全局模型的校准性能。该算法通过对预测后验概率的混合和乘积进行插值，利用可调参数$eta$来优化全局模型的校准性，并将结果融合到单个模型中。

Dec, 2023

FedDistill是一个增强全局模型与本地模型之间知识传输的框架，专注于解决非均衡类分布的问题，通过群体蒸馏并将全局模型分解为特征提取器和分类器，确保本地模型不会忘记低频类别，而是更擅长准确识别和分类，通过全面实验验证了FedDistill在准确度和收敛速度上超越了现有基线模型。

Apr, 2024

通过提出一种新颖的联邦校准（FedCal）方法，将本地和全局校准相结合，使用客户端特定的标量来实现本地校准，并通过权重平均聚合来生成全局标量，从而显著减少全局校准误差。

May, 2024

FedDr+是一种新的算法，通过使用点回归损失进行本地模型对齐，冻结分类器以实现特征对齐，并采用特征蒸馏机制保留有关未见/缺失类别的信息，从而有效地整合个体客户端的知识，提高全局和个性化联邦学习的性能。

Jun, 2024

本研究解决了联邦学习中因本地数据统计异构性导致模型性能不佳的问题。提出的DynamicFL框架通过根据数据的统计特征动态分配通信资源，以在减少通信成本的同时提升全球模型性能。实验结果表明，与现有方法相比，DynamicFL模型准确性提高了10%，展示了其在应对数据统计异构性挑战中的适应性和有效性。

Sep, 2024

本研究解决了联邦学习（FL）中模型校准不足的问题，提出了一种名为非均匀校准的联邦学习（NUCFL）框架。该框架通过根据每个客户端本地模型与全局模型之间的统计关系动态调整校准目标，有效提高了模型的可靠性和准确性，尤其适用于异构数据环境。实验表明，NUCFL在多种FL算法中表现出了增强的准确性和模型校准能力。

Sep, 2024