- 应对高度异质性：航空和空间网络中的联邦学习
通过使用无人机、气球和卫星，联邦学习利用大量的私有边缘数据和计算能力，为航空和航天网络中的网络和数据隐私挑战提供了一种引人注目的解决方案。然而，异质性和类别不平衡问题对于快速模型收敛仍然是一个重大障碍。本研究探讨了异质性对类别不平衡的影响， - 基于异构感知深度贝叶斯网络的个性化音乐推荐
音乐推荐系统关注了用户的情感异质性，提出了四种异质性，并构建了 Heterogeneity-aware Deep Bayesian Network（HDBN）模型，使用大规模数据集 EmoMusicLJ 进行验证实验，与基线方法相比取得了显 - 基于移动性的传染病隔离模型中的建模、推断与预测
我们引入了一种新方法，通过引入移动性变量来抓住群体的异质性，从而将传统的 ODE 系统转化为一组描述不同部分的人群密度动力学的积分 - 微分方程。我们的结果表明，对于相同的基本传播数，基于移动性的模型相对于传统的分隔模型，其人群密度在我们的 - 异构差分隐私联邦学习的噪音感知算法
在联邦学习中，差分隐私被用于保护数据隐私和提高模型效用，然而，在具有异质性要求和客户端批次 / 数据集大小差异的情况下，传统的聚合策略会降低效用。本文提出了一种名为 Robust-HDP 的方法，通过有效估计客户端模型更新中的噪声水平并显著 - 异质智能体中的自适应教学：在稀疏奖励场景中平衡惊喜
学习演示（LfD）是一种有效的训练系统的方法，使得 “学生” 代理能够通过从最有经验的 “教师” 代理的演示中学习，而不是并行训练他们的策略。我们提出了一种特别针对教师和学生代理之间异质性挑战的教师 - 学生学习框架，该框架基于 “惊喜” - 蛇形学习：6G 通信与计算高效分布式学习框架
本研究介绍了一种成本效益高的分布式学习框架 Snake Learning，它在 6G 网络中考虑了计算能力的异构性和本地数据分布，通过逐层更新机制显著降低了存储、内存和通信需求，在计算机视觉和大型语言模型任务中展现了出色的适应性和效率。
- 鲸鱼 - FL：通过自适应子网络调度，在移动设备上实现无线和异构感知的低延迟高效联邦学习
通过自适应子网络调度，WHALE-FL 加速了联邦学习训练，而不牺牲学习准确性。
- 关于数据异构性对联邦学习环境的影响及其在医疗网络中的应用
本研究探索了医疗数据领域中联邦学习的数学形式化和异质性分类，重点检验了最流行的联邦学习算法在处理基于数量、特征和标签分布的异质性方面的能力，并基于这些挑战对七种常见的联邦学习算法进行了性能评估。研究目标是通过一组由不同的联邦医院数据集收集的 - 使用对比共享表征进行个性化的联邦学习，解决非独立同分布数据中的标签差异性
本文提出了一种名为 Federated Contrastive Representation Learning (FedCRL) 的个性化联邦学习算法，旨在处理分布式机器学习场景中由标签分布偏斜和数据稀缺性造成的异质性。FedCRL 通过在 - 个性化联邦学习中的序列层扩展在表征学习中的应用
通过表示学习的方法，将深度学习模型分解为更密集的部分，并应用适当的调度方法以解决数据和类别的异质性，从而提高个性化联邦学习算法的准确性并降低计算成本。
- ICML协同异质因果推断 —— 超越元分析
本研究提出了一种用于处理异质数据的协作逆倾向得分加权估计器，在协作中调整分布转移，从而在异质性增加时显著提高性能，提出了一种联邦学习算法来在保持隐私的同时协作训练结果模型，并通过合成和真实数据集展示了方法的优势。
- FLARE：面向资源受限无线网络的新型联邦学习框架，可调节学习速率
无线联邦学习中，通过 FLARE 框架可以调整学习速率和本地训练迭代次数以适应参与设备的瞬时计算能力，从而减轻异构性的影响，进一步通过优化调度来利用信道的不均匀性。
- 基于李群流形的因子张量异质性缓解方法，用于基于张量分解的时间知识图嵌入
我们提出了一种新的方法，将因子张量映射到统一的平滑 Lie 群流形上，以使因子张量的分布在张量分解中逼近均匀，从而克服了因子张量之间固有的异质性在张量融合过程中的显著障碍，并进一步限制了链接预测的性能。
- 零样本可扩展协作的异构多智能体强化学习
我们提出了一个名为 SHPPO 的新型 MARL 框架，通过将异质性整合到共享参数的 PPO 基础的 MARL 网络中，实现了可扩展性和异构性，并在经典 MARL 环境中展示了优越的零 - shot 可扩展性和对学习潜在表示的可视化带来的团 - DeepHeteroIoT: 深度局部和全局学习在异构 IoT 传感器数据上
提出了一种新颖的深度学习模型，结合了卷积神经网络和双向门控循环单元，以端到端的方式学习本地和全局特征，并验证了在异构物联网传感器数据上优于最新的分类方法和多个机器学习和深度学习基线的有效性。
- 异构数据下的分布式学习均衡速率调度器
提出了平均速率调度作为减轻分散式学习中异质性影响的一种简单有效的方法，实验证明了该方法相对于采用恒定平均速率的传统方法的优越性（测试精度提高了约 3%）
- 基于不确定性的离散异构数据隔离中可扩展代码本的联合学习
利用分布式数据集的联邦学习（FL）面临数据异质性的挑战。我们提出一种名为基于不确定性的可扩展码本联邦学习（UEFL）的创新而简单的迭代框架，通过动态映射潜在特征到可训练的离散向量，并评估不确定性，专门扩展那些具有高不确定性的数据集的离散化字 - 异构感知的跨院校选修课推荐：一种混合联邦方法
在现代教育时代，跨学校学习者多样性至关重要，特别是在个性化选课推荐系统中。然而，隐私问题常常限制跨学校数据共享，这阻碍了现有方法对稀疏数据建模和有效处理异质性，最终导致次优的推荐结果。为此，我们提出了 HFRec，一种面向跨学校选修课推荐的 - 社会物理启发的人群模拟扩散模型
本文提出了一种称为 SPDiff 的社交社交物理驱动扩散模型，以解决物理驱动机器学习方法在群体模拟中无法全面建模人类移动的异质性和多模态问题。通过反向扩散过程，SPDiff 利用当前时间段中的交互和历史群体信息生成下一个时间段中行人移动的分 - AAAIFed-QSSL: 基于位宽和数据异构性的个性化联邦学习框架
通过使用分布式自监督学习以及低位量化，Fed-QSSL 是一个旨在解决联邦学习系统中异质性的方案，并通过解量化、加权聚合和重新量化在客户端设备上创建个性化的模型，验证了该算法的有效性，并对低位训练对学习模型的收敛性和健壮性进行了理论分析。