真实世界数据分布的联邦视觉分类

FedCL-集成学习：一种面向阿尔茨海默病MRI分类的联邦持续学习框架，结合集成迁移学习增强并保护隐私

FedCL-Ensemble Learning: A Framework of Federated Continual Learning with Ensemble Transfer Learning Enhanced for Alzheimer's MRI Classifications while Preserving Privacy

Vellore Institute of Technology（韦洛尔理工学院）

本文提出FedCL-集成学习框架，结合ResNet、ImageNet、VNet迁移学习与联邦学习及加密机制，在保护隐私的前提下提升阿尔茨海默病MRI分类性能。

2024-11-15cs.AIcs.CVcs.IR

用于乳腺癌分类的记忆感知课程联邦学习

Memory-aware curriculum federated learning for breast cancer classification

Universitat Pompeu Fabra（庞培法布拉大学）；IT University of Copenhagen（哥本哈根信息技术大学）；ICREA（加泰罗尼亚研究与高级研究院）；Ecole Centrale de Nantes（南特中央理工学院）；Hera-MI SAS（Hera-MI公司）

对于早期乳腺癌检测，建议定期进行乳房X光检查。常规检查导致数据集具有主要数量的阴性样本。解决这种阶级不平衡的一个潜在办法是联合多个机构的力量。开发协作式计算机辅助诊断系统在不同方面具有挑战性。患者的隐私和规章制度需要得到认真尊重。跨机构的数据可能从不同的设备或成像协议中获取，导致异构的非IID数据。此外，对于基于学习的方法，需要新的分布式数据优化策略。近年来，联邦学习已成为协作学习的有效工具。在此设置中，本地模型对其私有数据执行计算以更新全局模型。局部更新的顺序和频率影响最终的全局模型。因此，样本局部呈现给优化器的顺序起着重要的作用。在这项工作中，我们定义了一个记忆感知的联邦设置的课程学习方法。我们的课程控制训练样本的顺序，特别注意那些在部署全局模型后被遗忘的样本。我们的方法结合无监督领域自适应处理域转移，同时保护数据隐私。我们使用来自不同供应商的三个临床数据集来评估我们的方法。我们的研究结果验证了联邦对抗学习对多位点乳腺癌分类的有效性。此外，我们表明，我们提出的记忆感知课程的方法是有益的，以进一步提高分类性能。我们的代码可在https://github.com/ameliajimenez/curriculum-federated-learning上公开获取。

2023-01-06cs.CV

类型均衡的联邦学习用于视觉模拟仪表读数

Type-Balanced Federated Learning for Visual Analog Meter Reading

针对模拟仪表读数中数据分散且隐私受限的问题，提出联邦学习框架，通过四阶段流水线实现多站点协作训练，并发布带掩膜标注的 MeterFL 数据集以支持系统评估。

2026-09-29cs.CV

横向联邦计算机视觉

Horizontal Federated Computer Vision

The University of Texas at Austin（德克萨斯大学奥斯汀分校）；T2S-Solutions（T2S解决方案公司）

本文针对视觉数据量激增、地理分散及隐私保护限制数据整合的问题，提出基于联邦 Faster R-CNN 的目标检测和基于联邦 FCN 的图像分割方法，在 COCO2017 和 CamVid 数据集上验证，提供了符合隐私法规的高效解决方案。

2024-05-24cs.AIcs.CVcs.DC

联邦学习与知识蒸馏在点云分类中的基准测试

Benchmarking Federated Learning and Knowledge Distillation for Point Cloud Classification

University of Macau（澳门大学）

针对隐私敏感和资源受限场景，联合评估联邦学习与知识蒸馏在3D点云分类中的性能，发现极端非独立同分布标签偏移下联邦学习性能下降，蒸馏可压缩模型且避免标签泄露问题。

2026-07-03cs.AIcs.CVcs.DC

基于部分个性化注意力机制的慢性阻塞性肺疾病分类联邦学习

Federated Learning for Chronic Obstructive Pulmonary Disease Classification with Partial Personalized Attention Mechanism

Johns Hopkins University（约翰斯·霍普金斯大学）；Beijing Infervision Technology Co., Ltd.（北京推想科技有限公司）

慢性阻塞性肺疾病（COPD）是全球第四大死亡原因。然而，COPD的诊断严重依赖于肺功能检查以及功能性气道限制，这可能导致相当一部分COPD患者被漏诊，尤其是在早期阶段。深度学习（DL）的最新进展显示了其在从CT图像识别COPD中的潜力。然而，由于异质性综合征和不同的表型，使用来自一个数据中心的CT训练的DL模型无法对来自另一个中心的图像进行泛化。由于隐私规则化，分布式CT图像到一个集中式中心的协作是不可行的。联邦学习（FL）方法使我们能够使用分布式私有数据进行训练。然而，常规FL解决方案在COPD CT不是独立和同分布（非IID）的情况下遭受性能降级。为了解决这个问题，我们提出了一种新的个性化的联邦学习（PFL）方法的基础上视觉Transformer（ViT）的分布式和异构的COPD CT。更具体地说，我们在多头自我注意层中部分个性化一些头部，以学习局部数据的个性化注意，并保留共享的其他头部，以提取共同的注意。据我们所知，这是专门针对ViT识别COPD的PFL框架的第一个提案。我们对来自六个医疗中心的数据集的评估表明，我们的方法优于卷积神经网络的PFL方法。

2022-10-28cs.CV

基于伪数据的自监督联邦学习的历史图像分类

Pseudo-Data based Self-Supervised Federated Learning for Classification of Histopathological Images

Shanghai University（上海大学）

计算机辅助诊断（CAD）可以帮助病理学家提高癌症诊断的准确性以及一致性和可重复性。然而，仅使用来自单个中心（医院）的组织病理学图像训练的CAD模型通常由于不同中心之间的应变不一致而遭受泛化问题。在这项工作中，我们提出了一个基于伪数据的自监督联邦学习（FL）框架，命名为SSL-FT-BT，以提高诊断精度和CAD模型的泛化。具体地，伪组织病理学图像是从每个中心生成的，其包含与该中心中的真实图像相对应的固有的和特定的属性，但不包括隐私信息。然后，这些伪图像在中央服务器中共享，用于自监督学习（SSL）。一个多任务SSL的设计，充分学习中心的特定信息和共同的固有表示，根据数据的特点。提出了一种新的基于Barlow Twins的FL（FL-BT）算法，通过对比学习改进了CAD模型在各中心的局部训练，有利于FL过程中全局模型的优化。在三个公开的组织病理学图像数据集上的实验结果表明，所提出的SSL-FL-BT的诊断准确性和泛化能力的有效性。

2023-03-28cs.CV

FiT：面向个性化和联邦图像分类的参数高效少样本迁移学习

FiT: Parameter Efficient Few-shot Transfer Learning for Personalized and Federated Image Classification

University of Cambridge（剑桥大学）；Microsoft Research（微软研究院）

针对个性化与联邦学习中的少样本图像分类，提出结合迁移学习与元学习的FiT方法，以极低参数实现高精度，并在VTAB-1k上达到最优。

2023-02-02cs.CVcs.LGstat.ML

联合多标签哈希（FedMLH）：极端分类任务上的通信高效联邦学习

Federated Multiple Label Hashing (FedMLH): Communication Efficient Federated Learning on Extreme Classification Tasks

Rice University（莱斯大学）

联邦学习使许多本地设备能够联合训练深度学习模型，而无需共享本地数据。目前，大多数联邦训练方案通过平均局部模型的参数来学习全局模型。然而，这些训练方案中的大多数遭受高的通信成本导致的传输全部本地模型参数。此外，由于不同设备上的类不平衡的非iid数据，直接平均模型参数会导致显著的性能下降。特别是对于涉及极端分类的现实生活中的联邦学习任务，（1）通信成为主要瓶颈，因为模型大小与输出类的数量成比例地增加;（2）极端分类（例如用户推荐）通常具有极不平衡的类和不同设备上的异构数据。为了克服这个问题，我们提出了联邦多标签哈希（FedMLH），它利用标签散列来同时减小模型大小（最多减少3.40倍），包括通信费用（最多减少18.75倍），并实现了更高的准确性（相对精度提高高达35.5%）和更快的收敛速度（最多增加5.5倍），与联邦平均算法相比，在联邦极端分类任务上免费使用。

2021-10-23cs.LG

Plankton-FL：浮游植物分类的深度神经网络隐私保护训练的联邦学习探索

Plankton-FL: Exploration of Federated Learning for Privacy-Preserving Training of Deep Neural Networks for Phytoplankton Classification

University of Waterloo（滑铁卢大学）；University of Montreal（蒙特利尔大学）；Blue Lion Labs（蓝狮实验室）

为浮游植物监测创建高性能可推广的深度神经网络需要利用来自全球不同水源的大规模数据。培训这类网络的一个主要挑战在于数据隐私，在不同设施收集的数据往往被限制转移到一个集中的位置。克服这一挑战的一种有希望的方法是联邦学习，其中在站点级别对本地数据进行训练，并且仅通过网络交换模型参数以生成全局模型。在这项研究中，我们探讨了利用联邦学习进行浮游植物分类的深度神经网络的隐私保护训练的可行性。更具体地说，我们模拟了两种不同的联邦学习框架，联邦学习（FL）和互斥FL（ME-FL），并将其性能与传统的集中式学习（CL）框架进行了比较。本研究的实验结果证明了联邦学习在浮游植物监测中的可行性和潜力。

2022-12-18cs.CRcs.CVcs.LG

FLAG：联邦学习中多标签分类的快速标签自适应聚合

FLAG: Fast Label-Adaptive Aggregation for Multi-label Classification in Federated Learning

Industrial Technology Research Institute（工业技术研究院）；National Yang Ming Chiao Tung University（阳明交通大学）

联邦学习的目标是在不泄露隐私的情况下共享私有数据，以最大化数据效用。以往的联邦学习研究主要集中在多类分类问题上。然而，多标签分类是一个关键的研究问题，接近现实世界的数据属性。然而，有限数量的联邦学习研究探讨了这一研究问题。现有的多标签联邦学习研究没有考虑多标签数据的特点，即，他们使用多类分类的概念来验证他们的方法的性能，这意味着将他们的方法应用于实际应用是不可行的。因此，本研究提出了一种新的多标签联邦学习框架，该框架采用了一种基于标记的多标签数据分配（CMDA）和一种新的聚合方法--快速标签自适应聚合（FLAG），用于联邦学习环境中的多标签分类。实验结果表明，我们的方法只需要不到50\%的训练时期和通信轮，以超过最先进的联邦学习方法的性能。

2023-02-27cs.AIcs.LG

临床数据不平衡分类生成模型的隐私保护联邦贝叶斯学习

Privacy-preserving Federated Bayesian Learning of a Generative Model for Imbalanced Classification of Clinical Data

School of Management Engineering, Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院管理工程学院）

在临床研究中，缺乏感兴趣的事件往往需要不平衡的学习。解决这一障碍的一种方法是数据集成或共享，但由于隐私问题，这两种方法都不实用。因此，对于可以在联合环境中在其上执行分析同时保持隐私的平台的需求日益增加。然而，这是相当具有挑战性的联邦学习算法，可以同时解决隐私保护和类不平衡的问题。在这项研究中，我们引入了一个联邦生成模型学习平台，用于在数据分布式环境中生成样本，同时保护隐私。我们特别提出了近似贝叶斯计算为基础的高斯混合模型称为“联邦ABC-GMM”，它可以过采样数据在一个小类通过估计的后验分布的模型参数在整个机构的隐私保护的方式。PhysioNet 2012是一个用于预测重症监护病房（ICU）患者死亡率的数据集，用于验证所提出的方法的性能。实验结果表明，我们的方法提高了分类性能的F1得分接近理想的情况。据信，所提出的方法可以是一种新的替代解决类不平衡问题。

2020-08-29cs.LGstat.ML

结合联邦学习和图像加密的视觉Transformer隐私保护图像分类

Combined Use of Federated Learning and Image Encryption for Privacy-Preserving Image Classification with Vision Transformer

Tokyo Metropolitan University（东京都立大学）

近年来，深度学习的隐私保护方法已经成为一个迫切的问题。因此，我们提出了联邦学习（FL）和加密图像的隐私保护图像分类下使用的视觉Transformer（ViT）的组合使用。所提出的方法不仅允许我们在多个参与者之间进行训练模型而不直接共享原始数据，而且还首次保护了测试（查询）图像的隐私。此外，它还可以保持与正常训练模型相同的精度。在一个实验中，所提出的方法被证明是很好的工作，没有任何性能下降的CIFAR-10和CIFAR-100数据集。

2023-03-03cs.CRcs.CVcs.LG

原型引导的视觉特征表示联邦学习

Prototype Guided Federated Learning of Visual Feature Representations

Samsung Research UK（三星英国研究院）；University of Padova（帕多瓦大学）

联邦学习（FL）是一种框架，它使用大量分散的训练数据来实现分布式模型训练。现有的方法聚合模型，而不考虑它们的内部表示，这对于视觉任务中的训练模型至关重要。系统和统计异质性（例如，高度不平衡和非i.i.d.数据）进一步伤害模型训练。为此，我们介绍了一种方法，称为FedProto，它计算客户端的偏差使用利润率的原型表示学习分布式数据，并将它们应用于驱动联邦优化通过注意力机制。此外，我们提出了三种方法来分析统计特性的特征表示学习FL，以阐明准确性之间的关系，利润率和特征差异的FL模型。在实验分析中，FedProto通过启用FL模型的最大间隔训练，在图像分类和语义分割基准测试中展示了最先进的准确性和收敛速度。此外，与基线相比，FedProto降低了FL模型预测的不确定性。据我们所知，这是第一次在密集预测任务中评估FL模型，例如语义分割。

2021-05-19cs.CVcs.LG

面向分类任务的在线联邦学习框架

Online federated learning framework for classification

School of Mathematics, Statistics and Actuarial Science, University of Essex（埃塞克斯大学数学、统计与精算科学学院）；Yunnan University（云南大学）；Department of Mathematical and Statistical Sciences, University of Alberta（阿尔伯塔大学数学与统计科学系）；School of Mathematics, Statistics and Physics, Newcastle University（纽卡斯尔大学数学、统计与物理学院）

本文提出一种面向分类的在线联邦学习框架，结合广义距离加权判别技术与基于Majorization-Minimization原理的优化算法，兼具隐私保护、计算高效的优势，在理论与实验上均验证了有效性。

2025-03-19cs.LGstat.ML

联邦环境下差分隐私下的公平分类

Federated fairness-aware classification under differential privacy

Department of Statistics, University of Warwick（沃里克大学统计系）

本文研究了在联邦学习中差分隐私与公平性对分类任务的联合影响，提出FDP-Fair算法及简化版CDP-Fair算法，理论分析并验证了算法在隐私、公平性和风险控制方面的保障。

2026-03-25cs.LGstat.MEstat.ML

一种联邦学习的移动分组分类方法

A Federated Learning Approach for Mobile Packet Classification

University of California, Irvine（加州大学欧文分校）

为了提高移动数据透明度，已经提出了许多基于网络的方法来检查由移动设备生成的分组并检测个人可识别信息（PII）、广告请求或其他活动。最先进的方法是基于从HTTP数据包中提取的特征来训练分类器。到目前为止，这些分类器只以集中的方式进行训练，移动用户将其数据包日志标记并上传到中央服务器，然后训练全局分类器并与用户共享以应用于他们的设备。然而，用作训练数据的分组日志可能包含用户可能不想共享/上传的敏感信息。在本文中，我们申请，第一次，联邦学习方法的移动数据包分类，它允许移动设备合作和训练的全球模型，而不共享原始训练数据。我们在此背景下解决的方法学挑战包括：模型和特征选择，以及调整联邦学习参数。我们将我们的框架应用于两个不同的分组分类任务（即，预测PII曝光或HTTP数据包中的广告请求），我们使用三个真实世界的数据集在分类性能，通信和计算成本方面证明了其有效性。

2019-07-30cs.LGcs.NIstat.ML

用于心电图分类的个性化联邦学习的双注意力头

Dual Attention Heads for Personalized Federated Learning in ECG Classification

IEEE MWSCAS 2026

针对心电图数据异质性带来的联邦学习分类挑战，提出FedDualAtt方法，将Transformer注意力头分全局和局部分支，全局头聚合捕获共享模式，局部头适应客户端特征，实验表明该方法在心电图分类任务中表现优于现有方法。

2026-07-09cs.LG

联邦学习在肿瘤浸润淋巴细胞分类中的应用

Federated Learning for the Classification of Tumor Infiltrating Lymphocytes

University of Pennsylvania（宾夕法尼亚大学）；Perelman School of Medicine（佩雷尔曼医学院）；Technical University of Munich（慕尼黑工业大学）；Stony Brook University（石溪大学）

我们评估了联邦学习（FL）在开发用于分析数字化组织切片的深度学习模型方面的性能。分类应用被认为是示例用例，关于量化肿瘤浸润淋巴细胞在整个载玻片图像（WSI）内的分布。使用从WSI提取的50*50平方微米的块来训练深度学习分类模型。我们模拟了一个FL环境，其中从癌症基因组图谱库提供的众多解剖部位的癌症WSI生成的数据集被划分为8个不同的节点。我们的研究结果表明，使用联邦训练方法训练的模型在定量和定性方面都达到了与在集中位置汇集所有训练数据训练的模型相似的性能。我们的研究表明，FL具有巨大的潜力，可以开发更强大和准确的组织病理学图像分析模型，而无需在单个位置收集大量和多样化的训练数据。

2022-04-01cs.CVcs.LGeess.IV

通过架构设计处理联邦视觉识别中的数据异构性问题

Handling Data Heterogeneity via Architectural Design for Federated Visual Recognition

Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）

本研究通过在四个联邦学习数据集上对19种视觉识别模型架构进行实验，证明了合理的架构设计能显著提升联邦学习在异构数据下的性能，有效缩小了与集中式学习的差距。

2023-10-23cs.AIcs.CVcs.LG

F3：基于异构数据的公平联合人脸属性分类

F3: Fair and Federated Face Attribute Classification with Heterogeneous Data

IIIT Hyderabad（国际信息技术学院海得拉巴分校）

不同人口群体之间的公平性是人脸相关任务的一个重要标准，人脸属性分类（FAC）是一个突出的例子。除了这种趋势，联邦学习（FL）作为分布式训练的可扩展范例越来越受到关注。现有的FL方法需要数据的同质性，以确保公平性。然而，这种假设在现实世界中限制太多。我们提出了F3，一个新的FL框架下的公平FAC数据异构性。F3采用多重统计学方法，在不需要数据同质性假设的情况下，提高不同人口统计群体之间的公平性。我们通过在流行的人脸数据集上报告经验观察到的公平性措施和准确性保证来证明F3的有效性。我们的研究结果表明，F3罢工FAC的准确性和公平性之间的实际平衡。

2022-06-24cs.CVcs.CYcs.LG

FedLog：具有更低通信开销和更高灵活性的个性化联邦分类

FedLog: Personalized Federated Classification with Less Communication and More Flexibility

University of Waterloo（滑铁卢大学）；Vector Institute（向量研究所）；Noah’s Ark Lab, Huawei Technologies（华为技术有限公司诺亚方舟实验室）

针对联邦表示学习共享模型参数导致通信开销巨大的问题，提出FedLog方法，通过共享编码最小充分统计量的数据摘要和贝叶斯推断进行全局聚合，并扩展差分隐私框架，实现了高精度与低通信开销。

2024-10-12cs.DCcs.LGstat.ML

贝叶斯联邦学习中的任务多样性：分类与回归的同时处理

Task Diversity in Bayesian Federated Learning: Simultaneous Processing of Classification and Regression

School of Statistics, Renmin University of China（中国人民大学统计学院）；School of Statistics and Data Science, Southeast University（东南大学统计与数据科学学院）；Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（未来区块链与隐私计算北京高精尖创新中心）

本文针对联邦学习中本地任务同质化问题，提出结合多输出高斯过程与联邦学习的贝叶斯多任务框架，通过Pólya-Gamma增强和变分推断提升效率，实验证明其在预测、OOD检测和校准上表现优越。

2024-12-25cs.LGstat.ML

FedMGP：基于多组文本-视觉提示的个性化联邦学习

FedMGP: Personalized Federated Learning with Multi-Group Text-Visual Prompts

Nanjing University of Science and Technology（南京理工大学）；National University of Singapore（新加坡国立大学）；Baidu VIS（百度视觉部）；University of Auckland（奥克兰大学）

本文提出FedMGP，通过多组文本-视觉提示与动态聚合策略，在视觉语言模型中实现个性化联邦学习，有效平衡公共知识与客户端特征，以最低通信参数达到最先进性能。

2025-11-01cs.CVcs.LG

联邦情绪分类的初步步骤

Preliminary Steps Towards Federated Sentiment Classification

Nanjing University（南京大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）

自动挖掘包含在自然语言中的情感倾向是人工智能应用的基础性研究，解决方案与挑战交替出现。迁移学习和多任务学习技术已经被用来减轻监督稀疏性并相应地协作多个异构域。近年来，用户隐私数据的敏感性对情感分类提出了另一个挑战，即，数据隐私保护。在本文中，我们求助于联邦学习的约束下，语料库必须存储在分散的设备上的多个领域的情感分类。针对多方语义异构和词嵌入的特殊性，有针对性地提出了相应的解决方案。首先，我们提出了一个知识转移增强的私有共享（KTEPS）框架，以更好地在联邦情感分类模型聚合和个性化。其次，我们提出了KTEPS $^\star$，考虑到丰富的语义和巨大的嵌入量的字向量的属性，利用基于投影的降维（PDR）方法隐私保护和高效的传输同时。提出了两种基于公共基准的联邦情感分类场景，并通过大量的实验研究验证了所提方法的优越性。

2022-03-31cs.CLcs.LG

无惧异质性：基于非IID数据的联邦学习分类器校准

No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data

在真实世界的联邦系统中训练分类模型的一个核心挑战是使用非IID数据进行学习。为了解决这个问题，大多数现有的工作涉及在局部优化中强制正则化或改进服务器上的模型聚合方案。其他作品也共享公共数据集或合成样本，以补充代表性不足的类的训练或引入一定程度的个性化。虽然有效，但他们缺乏对数据异构性如何影响深度分类模型的每一层的深入理解。在本文中，我们通过对不同层学习的表示进行实验分析来弥合这一差距。我们的观察结果令人惊讶：（1）在分类器中存在比其他层更大的偏差，以及（2）通过在联邦训练之后对分类器进行后校准可以显著提高分类性能。出于上述研究结果，我们提出了一种新的和简单的算法，称为分类器校准与虚拟表示（CCVR），调整分类器使用虚拟表示采样从近似高斯混合模型。实验结果表明，CCVR在流行的联邦学习基准测试（包括CIFAR-10、CIFAR-100和CINIC-10）上达到了最先进的性能。我们希望我们简单而有效的方法可以为未来的非IID数据联邦学习研究提供一些启示。

2021-10-28cs.CVcs.DCcs.LG

透过面纱的视觉：联邦学习中医学图像分类的差分隐私

Vision Through the Veil: Differential Privacy in Federated Learning for Medical Image Classification

Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）

本研究提出一种新颖的差分隐私联邦学习模型用于医学图像分类，证明通过策略性校准隐私预算，可在维持稳健分类性能的同时提供实质性隐私保护。

2023-06-30cs.CRcs.LG

在联邦学习中利用测试时增强进行脑肿瘤MRI分类

Exploiting Test-Time Augmentation in Federated Learning for Brain Tumor MRI Classification

Institute of Exact and Technological Sciences, Federal University of Viçosa - UFV, Rio Paranaíba-MG, Brazil（精确与技术科学研究所，弗拉维亚联邦大学-UFV，里奥帕拉纳伊巴-MG，巴西）；Department of Computing, Federal University of São Carlos, São Carlos-SP, Brazil（计算系，萨o卡洛斯联邦大学，萨o卡洛斯-SP，巴西）

本文提出在联邦学习中结合测试时增强和轻量预处理以提升脑肿瘤MRI分类的准确性。

2026-01-19cs.AIcs.CVcs.LG

FedBABU：联邦图像分类的增强表示

FedBABU: Towards Enhanced Representation for Federated Image Classification

KAIST（韩国科学技术院）

联邦学习已经发展到在数据异构的情况下改进单个全局模型（作为诅咒），或者使用数据异构开发多个个性化模型（作为祝福）。然而，很少有研究同时考虑这两个方向。在本文中，我们首先通过分析客户端级别的联邦平均来研究它们之间的关系，并确定更好的联邦全局模型性能并不能不断提高个性化。为了阐明这种个性化性能下降问题的原因，我们将整个网络分解为与通用性相关的主体（提取器）和与个性化相关的头部（分类器）。然后我们指出，这个问题源于训练头部。基于这一观察，我们提出了一种新的联邦学习算法，称为FedBABU，它只在联邦训练期间更新模型的主体（即，磁头被随机初始化并且从不更新），并且磁头在评估过程期间被微调以用于个性化。大量的实验表明，一致的性能改进和有效的个性化FedBABU。该代码可在https://github.com/jhoon-oh/FedBABU上获得。

2022-03-16cs.LG

基于部分标记的分布式非iid医学图像分类联邦学习优化

Optimizing Federated Learning for Medical Image Classification on Distributed Non-iid Datasets with Partial Labels

University of Maryland（马里兰大学）；Johns Hopkins University（约翰斯·霍普金斯大学）

许多大型胸部X射线数据集已经率先使用深度学习进行专家级异常检测。然而，这些数据集专注于检测可能存在的疾病标签的子集，从而使它们具有部分标签的分布式和非iid。最近的文献表明，由于与带有部分标签的非iid数据相关的域偏移，批量归一化层对联邦学习收敛的影响。为此，我们提出了FedFBN，这是一个联邦学习框架，它通过使用预训练网络作为模型后端并在整个训练过程中冻结批量归一化层，从迁移学习中汲取灵感。我们使用合成iid玩具数据集和具有部分和完整标签的大规模非iid数据集，使用当前FL策略评估FedFBN。我们的研究结果表明，FedFBN优于当前的聚合策略，用于使用带有部分标签的分布式和非iid数据训练全局模型。

2023-03-10cs.AIcs.CVcs.LG

基于自监督先验的联邦模型聚合用于高度不平衡的医学图像分类

Federated Model Aggregation via Self-Supervised Priors for Highly Imbalanced Medical Image Classification

The Hong Kong University of Science and Technology（香港科技大学）；University of Girona（赫罗纳大学）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）

本文针对高度不平衡医学图像数据集的联邦学习问题，提出基于自监督先验的动态平衡模型聚合方法 Fed-MAS，利用共享辅助预训练模型测量类内差异，指导全局模型优化，实现鲁棒且无偏的分类。

2023-07-27cs.CVcs.LG

FedSLD：用于医学图像分类的具有共享标签分布的联邦学习

FedSLD: Federated Learning with Shared Label Distribution for Medical Image Classification

University of Pittsburgh（匹兹堡大学）

从本质上讲，医学研究中的机器学习需要仔细注意遵守数据隐私的规定，这使得很难在从不同医疗中心收集的数据上训练机器学习模型。未能利用相同类型的数据可能会导致训练模型的泛化能力较差。联邦学习（FL）能够协同训练联合模型，同时保持多个医疗中心的数据分散。然而，联邦优化经常受到跨医疗中心的数据分布的异质性的影响。在这项工作中，我们提出了联邦学习与共享标签分布（FedSLD）的分类任务，一种方法，假设知识的标签分布的所有参与的客户端在联邦。FedSLD在优化过程中根据分布知识调整每个数据样本对本地目标的贡献，减轻所有客户端之间数据异构性带来的不稳定性。我们进行了广泛的实验，四个公开的图像数据集与不同类型的非IID数据分布。我们的研究结果表明，FedSLD实现了更好的收敛性能比比较领先的FL优化算法，提高测试精度高达5.50个百分点。

2021-10-15cs.LG

3D网络中多媒体流的联邦半监督分类

Federated Semi-Supervised Classification of Multimedia Flows for 3D Networks

University of Pisa（比萨大学）；CNR, Institute of Informatics and Telematics（意大利国家研究委员会信息学与电信研究所）；CNR, Institute of Information Science and Technologies（意大利国家研究委员会信息科学与技术研究所）

自动业务分类在业务工程中正日益变得重要，因为加密传输信息（例如，在HTTP加密隧道之后）防止中间结点访问端到端分组报头。然而，该信息对于流量整形、网络切片和服务质量（QoS）管理、防止网络入侵和异常检测至关重要。3D网络提供多条路由，可以保证不同级别的QoS。因此，服务分类和分离对于通过适当的网络干线向每个业务子流保证所需的QoS水平是必不可少的。本文提出了一种联合特征选择和特征约简学习方案，以半监督协作方式对网络流量进行分类。3D网络的联合网关有助于增强网络流量的全局知识，以提高异常和入侵检测以及新流量的服务识别的准确性。

2022-05-01cs.LGcs.NI

面向医学图像分类中标签集不匹配问题的规模化联邦学习

Scale Federated Learning for Label Set Mismatch in Medical Image Classification

The Hong Kong University of Science and Technology（香港科技大学）

针对联邦学习在医学图像分类中存在的客户端标签集不匹配问题，提出FedLSM框架，通过差异化训练策略和类别级自适应聚合提升性能，在两个医学图像数据集上优于现有算法。

2023-08-25cs.CVcs.LG

面向分层图像分类的联邦学习中的标签粒度偏差

Label Granularity Skew in Federated Learning with Hierarchical Image Classification

School of Computer Science and Engineering, Soongsil University（崇实大学计算机科学与工程学院）；School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）

本文针对联邦分层分类中存在的标签粒度偏差问题，提出FedBDFT方法，经实验验证该方法可显著提升严重标签粒度偏差下的鲁棒性，且能更好保留未见细粒度类别的分层表示。

2026-08-11cs.LG

联邦学习中的包容性数据表示：一种融合文本与视觉提示的新方法

Inclusive Data Representation in Federated Learning: A Novel Approach Integrating Textual and Visual Prompt

Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）

针对联邦学习通信开销与单模态提示无法全面表征客户端数据及数据异构问题，提出融合文本视觉模态的TPFL及结合对比学习的ATPFL，经评估性能优于所有基线。

2023-10-04cs.AIcs.CLcs.LG

用于皮肤病变分类中高效标注策略的联邦主动学习框架

Federated Active Learning Framework for Efficient Annotation Strategy in Skin-lesion Classification

Tokyo Institute of Technology（东京工业大学）

针对联邦医疗场景标注成本高的问题，提出FedAL框架，通过本地与全局模型集成及集成熵主动选择标注样本，仅用50%数据即达到接近全数据FL的最先进皮肤病变分类性能。

2024-06-17cs.CVcs.LG

HybridVFL：面向边缘计算的垂直联邦多模态分类的解耦特征学习

HybridVFL: Disentangled Feature Learning for Edge-Enabled Vertical Federated Multimodal Classification

University of Hull（赫尔大学）

HybridVFL通过客户端特征解耦与服务器跨模态Transformer融合，提升边缘计算中多模态分类的隐私保护性能。

2025-12-11cs.LG

FedST：用于时间序列分类的安全联邦形状let变换

FedST: Secure Federated Shapelet Transformation for Time Series Classification

Harbin Institute of Technology（哈尔滨工业大学）

本文提出FedST，一种在联邦学习下基于形状let的时间序列分类框架，通过安全且高效的协议与优化，实现了高准确率和三个数量级的加速。

2024-08-17cs.DBcs.LG

有限数据下两阶段联邦迁移学习框架在医学图像分类中的应用--基于COVID-19的案例研究

A Two-Stage Federated Transfer Learning Framework in Medical Images Classification on Limited Data: A COVID-19 Case Study

New Mexico State University（新墨西哥州立大学）

COVID-19疫情迅速蔓延，导致全球医疗资源短缺。COVID-19诊断的效率变得非常重要。随着深度学习和卷积神经网络（CNN）在医学图像分析中的广泛应用和验证，它已成为计算机辅助诊断的有力工具。然而，在深度学习和神经网络的帮助下，医学图像分类存在两个最显著的挑战，其中之一是难以获得足够的样本，这可能导致模型过拟合。隐私问题主要带来了另一个挑战，因为医疗相关记录通常被视为患者的私人信息，并受到GDPR和HIPPA等法律的保护。联邦学习可以确保模型训练分散在不同的设备上，并且它们之间没有数据共享，这保证了隐私。然而，由于数据位于不同的设备上，每个设备的可访问数据可能受到限制。由于迁移学习已经在处理有限数据方面得到了良好的验证，因此，在本文中，我们尝试使用CNN实现联邦学习和迁移学习技术，以使用肺部CT扫描对COVID-19进行分类。我们还探讨了数据集分布在客户端对联邦学习的影响，以及模型训练的训练周期数。最后，我们通过联邦学习获得了非常高的性能，证明了我们在利用准确性和隐私方面的成功。

2022-05-26cs.CRcs.CVcs.LG

基于视觉提示的个性化联邦学习

Visual Prompt Based Personalized Federated Learning

National University of Defense Technology（国防科技大学）；The University of Sydney（悉尼大学）；JD Explore Academy（京东探索研究院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））

个性化联邦学习（PFL）是一种流行的分布式学习模式，它允许个性化模型通过利用来自所有分布式客户端的知识来提高泛化能力和鲁棒性。现有的PFL算法大多以模型为中心进行个性化处理，如个性化层划分、模型正则化、模型插值等，都没有考虑分布式客户端的数据特征。在本文中，我们提出了一种新的PFL框架的图像分类任务，称为pFedPT，利用个性化的视觉提示，隐式地表示本地数据分布信息的客户端，并提供该信息的聚合模型，以帮助分类任务。具体来说，在每一轮pFedPT训练中，每个客户端都会生成一个与本地数据分发相关的本地个性化提示。然后，在由原始数据和视觉提示组成的输入上训练局部模型，以学习提示中包含的分布信息。在模型测试期间，聚合模型基于提示获得数据分布的先验知识，这可以被视为聚合模型的自适应微调，以提高不同客户端上的模型性能。此外，视觉提示可以作为正交方法添加，以在客户端上为现有FL方法实现个性化，从而提高其性能。在CIFAR10和CIFAR100数据集上的实验表明，pFedPT在各种设置下都大大优于几种最先进的（SOTA）PFL算法。

2023-03-15cs.CVcs.DCcs.LG

用于分布式数据可视化的联邦 t-SNE 与 UMAP

Federated t-SNE and UMAP for Distributed Data Visualization

The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））

本文提出 Fed-tSNE 和 Fed-UMAP 等联邦学习算法，通过隐式学习数据分布并估计全局距离矩阵实现隐私保护的分布式高维数据可视化，并扩展至联邦谱聚类，理论与实验均证明其精度损失极小。

2024-12-18cs.AIcs.LG

GraphFL：一个用于图上半监督节点分类的联邦学习框架

GraphFL: A Federated Learning Framework for Semi-Supervised Node Classification on Graphs

Duke University（杜克大学）

基于图的半监督节点分类（GraphSSC）具有广泛的应用，从网络和安全到数据采掘和机器学习等。然而，现有的集中式GraphSSC方法对于解决许多基于图的现实问题是不切实际的，因为收集整个图并标记合理数量的标签是耗时和昂贵的，并且还可能侵犯数据隐私。联邦学习（Federated learning，FL）是一种新兴的学习范式，它支持多个客户端之间的协作学习，可以缓解标签稀缺问题并保护数据隐私。因此，在FL设置下执行GraphSSC是解决现实世界中基于图的问题的一个很有前途的解决方案。然而，现有的FL方法1）当跨客户端的数据是非IID时表现不佳，2）不能处理具有新标签域的数据，以及3）不能利用未标记的数据，而所有这些问题都自然地发生在现实世界的基于图的问题中。为了解决上述问题，我们提出了第一个FL框架，即GraphFL，用于图上的半监督节点分类。我们的框架是由元学习方法的动机。具体来说，我们提出了两种GraphFL方法，分别解决图数据中的非IID问题和处理新标签域的任务。此外，我们还设计了一种自训练方法来利用未标记的图数据。我们采用具有代表性的图神经网络作为GraphSSC方法，并在多个图数据集上评估GraphFL。实验结果表明，GraphFL算法的性能明显优于基线算法，且结合自训练的GraphFL算法能够获得更好的性能。

2020-12-08cs.LGstat.ML

用于隐私保护节点分类的垂直联邦图神经网络

Vertically Federated Graph Neural Network for Privacy-Preserving Node Classification

Zhejiang University（浙江大学）；Ant Group（蚂蚁集团）；Sony AI（索尼人工智能）；Macquarie University（麦考瑞大学）；Peking University（北京大学）；JZTData Technology（九州通数据科技）

近年来，图神经网络（Graph Neural Network，GNN）在处理由节点特征和节点间邻接信息组成的图数据的各种实际任务中取得了显著的进展。高性能的GNN模型往往依赖于图中丰富的特征和完整的边信息。然而，在实际运作中，这些数据可能会被不同的数据持有者隔离，这就是所谓的数据隔离问题。为了解决这个问题，在本文中，我们提出了VFGNN，联邦GNN学习范式的隐私保护节点分类任务下的数据垂直分区设置，它可以推广到现有的GNN模型。具体来说，我们将计算图分为两部分。我们保留私有数据（即，特征、边和标签）相关的计算，并将其余的计算委托给半诚实服务器。我们还建议应用差分隐私，以防止潜在的信息泄漏的服务器。我们在三个基准上进行了实验，结果证明了VFGNN的有效性。

2022-04-25cs.CRcs.LGstat.ML

FedTR：用于工业视觉检测的带迁移学习的联邦学习框架

FedTR: Federated Learning Framework with Transfer Learning for Industrial Visual Inspection

HP-NTU Digital Manufacturing Corporate Lab, Nanyang Technological University（惠普-南洋理工大学数字制造联合实验室，南洋理工大学）；School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）；Department of Computer Science, Norwegian University of Science and Technology（挪威科技大学计算机科学系）；HP Inc.（惠普公司）；HP Singapore（惠普新加坡公司）

针对工业视觉检测中数据有限和任务复杂影响模型性能的问题，提出FedTR框架，结合迁移学习，先利用公开数据集训练，再在私有数据上微调，实验证明该方法在标签缺陷识别上有效，准确率高且性能与集中训练相当。

2026-07-10cs.CVcs.LG

用于无监督联邦分类的协同伪标签方法

Cooperative Pseudo Labeling for Unsupervised Federated Classification

University of Science and Technology of China（中国科学技术大学）；NLPR & MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）

本文首次将无监督联邦学习扩展至结合CLIP的分类问题，提出联邦协同伪标签方法FedCoPL，通过客户端上传伪标签分布并由服务器调整重分发以避免类别全局不平衡，同时引入部分提示聚合协议实现有效协作与个性化，实验证明其性能优于基线方法。

2025-10-11cs.CVcs.LG

从孤立到协作：用于胸部X光分类的联邦类别异构学习

From Isolation to Collaboration: Federated Class-Heterogeneous Learning for Chest X-Ray Classification

University of Maryland School of Medicine（马里兰大学医学院）；University of Maryland Institute for Health Computing（马里兰大学健康计算研究所）；St. Jude Children’s Research Hospital（圣犹大儿童研究医院）

针对联邦学习中的类别异构性挑战，提出一种名为surgical aggregation的选择性聚合方法，在无需客户端共享类别或访问完全标注数据集的假设下，协作训练全局胸部X光分类模型，实验证明其在IID和非IID设置下均优于现有方法且泛化能力更强。

2024-11-15cs.AIcs.CVcs.LG

基于生成对抗网络的联邦流量合成与分类

Federated Traffic Synthesizing and Classification Using Generative Adversarial Networks

Xidian University（西安电子科技大学）；Pazhou Lab（琶洲实验室）；University of South Florida（南佛罗里达大学）

随着对新业务和应用需求的快速增长以及人们对数据保护意识的提高，传统的集中式流量分类方法面临着前所未有的挑战。本文介绍了一种新的框架，联邦生成对抗网络和自动分类（FGAN-AC），它集成了分散的数据合成与流量分类。FGAN-AC能够从分散的本地数据集中合成和分类多种类型的服务数据流量，而不需要大量的手动标记数据集或导致任何数据泄漏。提出并比较了两种类型的数据合成方法：计算高效的FGAN（\uppercase \expandafter{\romannumeral1}）和通信高效的FGAN（\uppercase \expandafter{\romannumeral2}）。前者仅实现单个CNN模型来处理每个局部数据集，而后者仅需要协调中间模型训练参数。提出了一种自动数据分类和模型更新框架，用于从合成的数据样本中自动识别未知流量，并为模型训练创建新的伪标签。数值结果表明，我们提出的框架有能力合成高度混合的服务数据流量，可以显着提高流量分类性能相比，现有的解决方案。

2021-04-21cs.AIcs.LG

基于遗传算法的动态后门攻击：针对联邦学习网络流量分类

Genetic Algorithm-Based Dynamic Backdoor Attack on Federated Learning-Based Network Traffic Classification

New Jersey Institute of Technology（新泽西理工学院）；King Faisal University（费萨尔国王大学）；Alfaisal University（阿尔法萨尔大学）

本文提出GABAttack，一种基于遗传算法的动态后门攻击方法，针对联邦学习网络流量分类，通过优化触发模式提高攻击隐蔽性和有效性，并警示需加强防御。

2023-09-27cs.AIcs.CRcs.LG

联邦二元门控与服务器端视觉-语言推理用于监控异常分类

Federated Binary Gating with Server-Side Vision-Language Inference for Surveillance Anomaly Classification

ESIEA（ESIEA（法国高等科学与工程学院））；CY Cergy Paris University（CY塞尔吉-巴黎大学）；CNRS（法国国家科学研究中心）

提出联邦二元CNN门控与服务器端VLM推理的混合架构，在UCF-Crime上实现异常分类，平衡传输与性能，提升灵敏度。

2026-09-09cs.AIcs.CVcs.LG

面向联邦多标签分类的语言引导Transformer

Language-Guided Transformer for Federated Multi-Label Classification

Graduate Institute of Communication Engineering, National Taiwan University（国立台湾大学通信工程研究所）；NVIDIA（英伟达）

针对联邦学习中多标签图像分类面临的用户数据异质性加剧、直接聚合模型性能不佳的问题，提出语言引导Transformer联邦框架FedLGT，通过跨客户端知识迁移学习鲁棒全局模型，在多个多标签数据集上性能优于标准联邦方法。

2023-12-12cs.AIcs.CVcs.LG

基于声誉的联邦学习防御以减轻EEG信号分类中的威胁

Reputation-Based Federated Learning Defense to Mitigate Threats in EEG Signal Classification

Deakin University（迪肯大学）；Khalifa University（哈利法大学）

本文提出基于声誉的联邦学习防御框架，通过协作训练保护隐私并识别受损参与者，有效减轻EEG信号分类中的数据投毒攻击威胁。

2023-10-22cs.CRcs.LGeess.SP

FTA-FTL：一种用于岩性显微图像分类的微调聚合联邦迁移学习方案

FTA-FTL: A Fine-Tuned Aggregation Federated Transfer Learning Scheme for Lithology Microscopic Image Classification

School of Computing, Macquarie University（麦考瑞大学计算学院）；Institute of Computational Systems Biology, University of Hamburg（汉堡大学计算系统生物学研究所）；Sahand University of Technology（萨汉德工业大学）；Yasouj University（亚苏季大学）；School of Computer, Data and Mathematical Sciences, Western Sydney University（西悉尼大学计算机、数据与数学学院）

针对岩性显微图像数据稀缺与隐私保护问题，提出微调聚合联邦迁移学习方案FTA-FTL，并通过多指标实验证明其性能接近集中式方法。

2025-01-06cs.AIcs.CVcs.LG

基于联邦迁移学习的EEG信号分类

Federated Transfer Learning for EEG Signal Classification

WeBank Co., Ltd.（微众银行）；Hong Kong University of Science and Technology（香港科技大学）；Southern University of Science and Technology（南方科技大学）；Nanyang Technological University（南洋理工大学）

深度学习（DL）方法在脑机接口（BCI）领域用于脑电图（EEG）记录分类的成功受到缺乏大型数据集的限制。与EEG信号相关的隐私问题限制了通过聚集多个小数据集来构建大的EEG-BCI数据集以用于联合训练机器学习模型的可能性。因此，在本文中，我们提出了一种新的隐私保护的DL架构命名为联邦迁移学习（FTL）的EEG分类是基于联邦学习框架。该结构利用单次试验的协方差矩阵，通过领域自适应技术从多受试者脑电数据中提取共同的判别信息。我们评估了所提出的架构的性能的PhysioNet数据集2类运动想象分类。在避免实际数据共享的同时，我们的FTL方法在受试者自适应分析中实现了2%的分类准确率。此外，在没有多学科数据的情况下，我们的架构提供了比其他最先进的DL架构高6%的准确性。

2021-01-25cs.LGeess.SP