- AAAI个性化脑肿瘤分割中的联邦特异编码器和多模态锚点
我们提出了一种新的联邦多模态编码器和多模态锚点 (FedMEMA) 的联邦学习框架，可以同时解决两个并发问题，即跨模态异质性和个性化模型。
- 改进后验网络的个性化联邦学习的狄利克雷基础不确定性量化
通过对预测的不确定性进行精确建模，本研究提出了一种新的联邦学习方法，能够选择在特定输入点上表现更好的全局模型和个性化模型，该模型在现实世界的图像数据集上进行的全面实验评估表明其在存在超领域数据的情况下表现优异，并且在标准场景中与最先进的个性 - 分布式个性化在线联邦学习
我们提出了一个新的去中心化个性化在线联邦学习设置，用于在在线环境中学习，在每个客户端上学习个性化模型，并在去中心化环境中学习。我们解决了两个技术挑战：如何通过优化本地模型的性能来聚合来自邻近客户端的共享模型参数，并通过学习的聚合权重选择最有 - 个性化人类移动性预测
使用个性化模型和支持向量回归（Support Vector Regression）方法，这篇研究论文主要介绍了一种用于人类迁移预测的数据分析竞赛，实现了相对准确的结果，并在计算成本上节省了资源。
- 个性化和泛化方法在使用消费级可穿戴设备进行情绪识别方面的比较：机器学习研究
我们研究了使用可穿戴生物信号数据进行三类情绪分类（中性、压力和娱乐）的个性化和普遍化机器学习模型之间的差异，并发现个性化模型在特定情境下表现优于普遍化模型。
- 基于卡介苗的膀胱癌治疗的数学建模与社会人口统计
通过综合机器学习组件调整模型参数，构建个性化机理模型，并使用真实临床数据，展示其相对于原始模型在预测结局时的优势，平均改善了 14.8%。
- 多粒度基于时间的 Transformer 知识追踪
本文提出了一种用于预测学生标准化考试成绩的 Transformer 架构，通过学生历史数据来创建个性化模型，并采用多种时间特征进行解码以显著提高模型性能，取得了比 LightGBM 方法更好的效果，为 AI 教育领域提供了一种可扩展的准确预 - 基于聚类的个性化联邦学习能量感知边缘关联
通过无线网络实现联邦学习，并使用基于深度强化学习的方法来进行边缘关联，以提高精度和降低能耗，进而实现成本效益的个性化联邦学习。
- 现实世界医疗联邦学习的个性化倒退韧性框架
本研究提出了一种个性化的具有逆行韧性的联邦学习框架，该框架使用渐进傅里叶聚合和代理增强转移策略来实现更加稳定和有效的全局知识聚合，以提高现实世界医疗联邦学习中的模型性能。在真实世界的皮肤镜联邦学习数据集上进行的广泛实验表明，该模型优于现有的 - 始终个性化：使用早期退出实现高效的设备端 CNN 个性化
本文介绍了一种名为 PersEPhonEE 的框架，通过提出早期退出的方法和在设备上半监督学习的算法，以极高的准确率和较少的计算复杂度实现了设备上的模型个性化处理。
- 联邦互助学习
本文提出了一种新的联邦学习范例，名为联邦互助学习（FML），以处理三种不同类型的异质性，允许客户在共同设计通用模型的同时独立设计个性化并为不同场景和任务的个性化定制模型。
- 个性化联邦学习：一种元学习方法
本文研究了联邦学习的个性化变种，在 Model-Agnostic Meta-Learning 框架下，通过个性化 Federated Averaging 算法，根据不同用户数据的分布差异，探讨其性能的影响。
- MMPHD-GIFs: 自定义亮点检测用于自动 GIF 制作
通过全球排名模型，我们使用用户历史创建了大规模的数据集，为用户兴趣打分实现了个性化模型，大大提高了通用高光侦测器的回归率并比单一用户不可知的基线更加精确。
- DeepFaceLIFT：自动估算自报疼痛感受的可解释个性化模型
本文提出了一种基于神经网络和高斯过程回归模型的个性化估计疼痛程度的方法 DeepFaceLIFT，并在 UNBC-McMaster 肩疼痛表情库上展示了较高的性能，同时提供了置信度估计及易于解释的面部表情区域。