本文提出了一种叫做FedAlign的基于局部学习广泛性而非接近约束的数据异构性联邦学习解决方案，其可在不引入大量计算和内存开销的情况下实现与最先进的FL方法相当的精度。

Nov, 2021

本文提出了一种基于分布式学习的新型算法，能够针对数据异质性问题，有效避免因数据分布不同而导致的本地数据更新差异性，提高模型的全局收敛性和学习效率。与现有算法不同，该算法不需要维护全局状态，适用于任意数量的客户端，能够用于网络边缘设备和移动应用等更典型的应用场景。

Sep, 2022

在本文中，我们提出了一种名为RE-FL的新方法，该方法解决了资源受限设备中计算和通信挑战的问题。我们的可变修剪技术通过根据每个客户端的计算能力进行修剪来优化资源利用。我们还使用知识蒸馏来减少带宽消耗和通信轮次。对图像分类任务的实验结果证明了我们的方法在资源受限环境中保持数据隐私和性能的有效性，同时适应了异构模型架构。

Aug, 2023

该论文通过梯度冲突现象研究了联邦学习中来自多个客户端的异构性问题，并提出了一种简单有效的方法FedGH，通过梯度协调来解决此问题。实验证明，FedGH在不同基准和非IID场景中能显著提升现有的联邦学习方法，尤其在存在更强异构性的情况下效果更为显著，而且它可以方便地集成到任何联邦学习框架中，无需超参数调整。

Sep, 2023

研究通过实验证明FedFN学习方法在训练模型时依然可以保持高效性能，尤其在面对数据异质性和特征表征等问题时表现优异。

Nov, 2023

FedShift是一种新颖的算法，旨在在双重异质性情况下提高训练速度和模型的准确性，通过量化和移位技术改善客户参与度，并提升在异质性环境中的准确性3.9%。

Feb, 2024

在分布式学习中，我们引入了联邦特征多样化的概念，通过利用全局模型参数共享的聚合平均统计数据，每个本地客户端可以使自身的有限领域数据多样化，以实现学习与客户端无关的表示并保护隐私，并且我们提出了一种针对测试领域数据的实例自适应推理方法，通过动态调整特征统计与测试输入的一致性，从而减小测试和训练领域之间的差距，在联邦学习设置下，在几个领域泛化基准上取得了最先进的性能。

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

本研究针对联邦学习中资源有限的情况下，客户在微调模型时通常仅选择部分层进行调整的问题进行了深入理论探讨。我们提出了一种灵活的方法，允许客户根据本地数据和资源调整选层策略，并证明该策略对模型收敛性有显著影响。我们的实验证明了此方法在识别关键层方面的有效性，特别是在客户异质性和训练动态下的适应性。

Aug, 2024

本研究解决了个性化联邦学习中统计异质性对模型性能的影响，提出了一种新方法：个性化联邦学习与自适应特征聚合及知识转移（FedAFK）。该方法通过平衡全局模型知识与本地数据个性化的关系，显著提高了在非独立同分布数据上的个性化模型性能。

Oct, 2024