本篇论文研究联邦超参数调整的问题，并提出了一种名为FedEx的新方法，该方法通过联系神经结构搜索技术和联邦优化方法，加速联邦超参数调整，影响研究者的广泛关注。

Jun, 2021

FL_PyTorch是一个基于PyTorch框架的开源软件套件，用于构建一种FL研究模拟器，旨在使研究人员能够快速开发、原型测试和实验新的和现有的FL优化算法，从而缓解常见边缘设备设置的异质性问题。

Feb, 2022

本文提出了FedReg算法来解决分布式学习中的灾难性遗忘问题，通过在本地训练阶段使用生成的伪数据作为正则化器，以保护用户隐私并提高算法的收敛速度。

Mar, 2022

提出了FedSSO，一种用于联邦学习的服务器端二阶优化方法，通过使用服务器端近似的拟牛顿方法，我们不仅将计算负担转移给了服务器，而且完全消除了客户端和服务器之间用于二阶更新的额外通信，我们提供了对新方法的收敛的理论保证，并在凸和非凸环境中展示了快速收敛和通信节省。

Jun, 2022

本文提出了FedSpeed方法，通过应用prox-correction term和混合随机梯度下降和额外梯度上升步骤的扰动方法，解决了分布式学习框架中由于本地不一致的最优和过度拟合引起的非消失偏差问题。实验表明FedSpeed在真实数据集上的效率显著快于几种基线算法，并实现了最先进的性能。

Feb, 2023

本文介绍一种名为FedPop的新型超参数调整算法，采用基于种群的进化算法来优化分布式机器学习模式中的超参数，从而提高计算效率并探索更广泛的超参数搜索空间。在常见的联邦学习基准和复杂真实世界的联邦学习数据集上进行的实证验证表明，该方法有效性明显优于其他并行处理联邦学习的超参数调整方法。

Aug, 2023

基于梯度的鲁棒高效联邦学习（GCFL）算法提出了一种在每K轮通信选择coreset、从coreset中获取更新的方法，以账单客户数据噪声。实验证明GCFL相较于FL更具计算和能耗效率，对特征和标签的各种噪声具有鲁棒性，且保护了验证数据的隐私，带来了少量的通信开销但在客户数据有噪声时能够明显提高性能。

Jan, 2024

通过生成改进的本地模型来减轻分布不同的客户机之间的客户漂移，并增强模型的泛化性能。

Feb, 2024

边缘计算允许在边缘设备上部署人工智能和机器学习模型，它们可以从本地数据中学习并协作形成全局模型。联邦学习是一种分布式机器学习技术，旨在在保护数据隐私的同时促进此过程。本文提出了一种新方法——梯度一致性引导的联邦稀疏训练（FedSGC），它将动态稀疏训练和梯度一致性检查集成到联邦学习框架中，以解决高计算和通信成本的限制性设备、数据不同和分布不均以及解决数据中存在的局外数据等问题。我们在具有挑战性的非独立同分布环境中评估了我们的方法，并展示了它在各种场景中与最先进的联邦学习方法相比具有竞争力的准确性，同时最大程度地减少计算和通信成本。

May, 2024

本研究解决了在联邦学习中，由于设备计算能力和内存限制，导致梯度更新频率降低、训练效果不佳的问题。提出的FedRepOpt优化器通过调整优化器的梯度，使得简单的本地模型能够实现与复杂模型相似的性能，从而显著提升训练效果。实验证明，使用FedRepOpt的模型在性能和收敛速度上均有显著提升。

Sep, 2024