Smart Policy Control for Securing Federated Learning Management System
本文提出一种基于智能合约的策略控制方法，通过在FL参与者端验证训练过程、管理全局模型聚合并利用区块链存储，保障联邦学习管理系统的安全与模型可验证性。
2023-05-18 cs.CR cs.LG
Federated Learning Based Distributed Localization of False Data Injection Attacks on Smart Grids
Texas A&M University（德州农工大学）
针对智能电网虚假数据注入攻击，提出一种结合图神经网络与LSTM的联邦学习方案，在保护隐私的分布式环境下实现攻击检测与定位，并在IEEE 57、118和300母线系统上验证有效性。
2023-06-17 cs.CR cs.LG
FederatedNILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring based on Federated Deep Learning
University of Essex（埃塞克斯大学）；Durham University（杜伦大学）；University College Cork（科克大学学院）
非侵入式负载监测（NILM）通常利用机器学习方法，并有效地将智能电表读数从家庭级别分解为电器级别的消耗，可以帮助分析用户的用电行为，并实现实际的智能能源和智能电网应用。然而，智能电表是私有和分布式的，这使得NILM的实际应用具有挑战性。为此，本文提出了一种分布式隐私保护的联邦深度学习框架（FederatedNILM），将联邦学习与最先进的深度学习架构相结合，进行NILM，用于家电典型状态的分类。通过大量的对比实验，证明了所提出的FederatedNILM框架的有效性。
2021-08-08 cs.AI cs.LG eess.SP
A Federated Learning Approach to Anomaly Detection in Smart Buildings
Concordia University（康考迪亚大学）
智能建筑中的物联网（IoT）传感器变得越来越普遍，使建筑物更加宜居，节能和可持续。这些设备感知环境并生成多变量时间数据，这些数据对于检测异常和改善智能建筑中的能源使用预测至关重要。然而，在集中式系统中检测这些异常通常受到响应时间的巨大延迟的困扰。为了克服这个问题，我们利用多任务学习范式，在联邦学习环境中制定异常检测问题，该范式旨在同时解决多个任务，同时利用任务之间的相似性和差异。我们提出了一种新的隐私设计联邦学习模型，使用堆叠的长短时记忆（LSTM）模型，我们证明了它在训练收敛过程中的速度是集中式LSTM的两倍多。我们的联邦学习方法的有效性在通用电气智能建筑的物联网生产系统生成的三个真实世界数据集上得到了证明，与分类和回归任务中的基线方法相比，实现了最先进的性能。我们的实验结果表明，该框架在降低整体训练成本，而不影响预测性能的有效性。
2021-06-23 cs.LG
Trust and Resilience in Federated Learning Through Smart Contracts Enabled Decentralized Systems
University of Bologna（博洛尼亚大学）；University of Urbino Carlo Bo（乌尔比诺卡洛·博大学）
本研究提出基于智能合约与IPFS的去中心化联邦学习系统，通过智能合约管理参数更新、追踪参与方行为以增强信任与安全性，实验验证了两种聚合方式下方案的可行性。
2024-07-09 cs.AI cs.LG
Secure short-term load forecasting for smart grids with transformer-based federated learning
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
本文针对智能电网短期负荷预测中的隐私问题，提出基于Transformer的联邦学习方法，在保护用户数据隐私的同时实现准确预测，并通过与集中式学习、本地学习、LSTM和CNN的对比验证其有效性。
2023-10-26 cs.LG
Evaluating Federated Learning for Cross-Country Mood Inference from Smartphone Sensing Data
Indian Institute of Science Education and Research Bhopal（印度科学教育与研究学院博帕尔）
本文提出FedFAP框架，通过跨国家联邦学习实现基于智能手机传感数据的情绪推断，取得优于集中式方法的AUROC性能，并为可扩展的情绪感知系统提供设计启示。
2026-02-17 cs.LG
Plug In and Learn: Federated Intelligence over a Smart Grid of Models
Aalto University, Finland（芬兰阿尔托大学）
提出一种模型无关的联邦学习方法，借鉴智能电网机制，通过图正则化器协调统计相似的本地模型在公共无标签数据集上产生相似预测，支持多种参数与非参数模型，且兼容标准机器学习库。
2025-05-29 cs.LG
FedTrees: A Novel Computation-Communication Efficient Federated Learning Framework Investigated in Smart Grids
University of Glasgow（格拉斯哥大学）
在供应商和消费者层面进行智能能源性能监测和优化对于实现智慧城市至关重要。为了实施更可持续的能源管理计划，进行更好的能源预测至关重要。下一代智能电表还可用于测量、记录和报告能耗数据，这些数据可用于训练机器学习（ML）模型，以预测能源需求。然而，共享细粒度的能源数据和执行集中式学习可能会损害用户的隐私，并使他们容易受到多种攻击。这项研究通过利用联邦学习（FL）来解决这个问题，这是一种新兴的技术，可以在数据所在的用户级别执行ML模型训练。我们介绍FedTrees，这是一个新的轻量级FL框架，它受益于集成学习的出色功能。此外，我们开发了一种基于增量的早期停止算法来监控FL训练，并在不需要继续时停止它。仿真结果表明，FedTrees优于最流行的联邦平均（FedAvg）框架和基线持久性模型，提供准确的能源预测模式，而只有2%的计算时间和13%的通信轮次相比，FedAvg，节省了大量的计算和通信资源。
2022-09-30 cs.LG
A Federated Learning-enabled Smart Street Light Monitoring Application: Benefits and Future Challenges
University of Bristol（布里斯托大学）；Toshiba Europe Ltd.（东芝欧洲有限公司）
最近，数据城市通过自动学习来加速和增强，以改进智能城市应用程序。在物联网（IoT）生态系统的背景下，数据通信通常是昂贵的、低效的、不可扩展的并且缺乏安全性。联邦学习（FL）在提供隐私保护和通信高效的机器学习（ML）框架方面发挥着关键作用。在本文中，我们评估了FL在智能城市路灯监控应用中的可行性。FL是针对集中式和（完全）个性化机器学习技术的基准进行评估的，用于灯柱操作的分类任务。在这种情况下，在分类任务方面，简化FL显示出最小的性能降低，但在通信成本和隐私保护方面有很大的改进。这些成果加强了FL在物联网应用方面的可行性和潜力。
2022-08-27 cs.CV cs.LG
Evaluation and comparison of federated learning algorithms for Human Activity Recognition on smartphones
University Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；LIG（格勒诺布尔信息学实验室）
普适计算促进了智能设备在我们的生活空间中的集成，以开发为人们提供帮助的服务。这些智能设备越来越依赖于基于云的机器学习，这在安全性（数据隐私）、可靠性（延迟）和通信成本方面提出了问题。在这种情况下，联邦学习（FL）已被引入作为一种新的机器学习范例，增强本地设备的使用。在服务器级别，FL聚合在分布式客户端上本地学习的模型，以获得更通用的模型。通过这种方式，没有私人数据通过网络发送，并且降低了通信成本。然而，不幸的是，最流行的联邦学习算法已被证明不适用于一些高度异构的普适计算环境。在本文中，我们提出了一种新的FL算法，称为FedDist，它可以在训练过程中通过识别客户端之间的神经元之间的差异来修改模型（这里是深度神经网络）。这允许在不损害概括性的情况下考虑客户的特殊性。FedDist使用三种最先进的联邦学习算法对三个大型异构移动人类活动识别数据集进行了评估。结果表明，FedDist的能力，以适应异构数据和FL处理异步情况的能力。
2022-10-30 cs.LG
Federated Learning for Privacy Preservation in Smart Healthcare Systems: A Comprehensive Survey
University of Quebec（魁北克大学）；ETS（高等技术学院）；Princeton University（普林斯顿大学）
电子设备和通信基础设施的最新进展已经通过使用IoMT设备将传统医疗保健系统彻底改变为智能医疗保健系统。然而，由于人工智能（AI）的集中式训练方法，移动和可穿戴IoMT设备的使用引起了关于医院和最终用户之间已经通信的信息的隐私问题。IoMT设备传递的信息是高度机密的，可能会暴露给对手。在这方面，联邦学习（FL），一种分布式AI范式，为IoMT中的隐私保护开辟了新的机会，而无需访问参与者的机密数据。此外，FL为最终用户提供隐私，因为在训练期间仅共享梯度。针对FL的这些特定属性，本文提出了IoMT中的隐私相关问题。之后，我们介绍了FL在IoMT网络中用于隐私保护的作用，并介绍了一些先进的FL架构，包括深度强化学习（DRL），数字孪生和生成对抗网络（GANs）用于检测隐私威胁。随后，我们提出了FL在智能医疗系统中的一些实际机会。最后，我们通过为FL提供可用于未来智能医疗保健系统的开放研究挑战来结束本次调查
2022-03-18 cs.CR cs.LG cs.SY
False Data Injection Attack Detection in Edge-based Smart Metering Networks with Federated Learning
The University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）
针对智能计量网络中FDI攻击检测的数据隐私问题，提出基于边缘计算和联邦学习的检测框架，通过分布式边缘服务器共享模型而非数据，实现高效且隐私保护的攻击检测。
2024-11-06 cs.AI cs.CR cs.LG
Towards Secure and Scalable Energy Theft Detection: A Federated Learning Approach for Resource-Constrained Smart Meters
DIMES University of Calabria（DIMES大学卡拉布里亚大学）
本文提出了一种适用于资源受限智能电表的联邦学习方法，通过轻量级模型和差分隐私技术实现安全且高效的能源偷窃检测。
2026-02-18 cs.LG
Differentially Private Federated Learning for Resource-Constrained Internet of Things
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Air Force Research Laboratory（空军研究实验室）
随着物联网（IoT）时代具有内置传感器、互联网连接和可编程计算能力的智能设备的激增，在网络边缘产生了大量数据。联邦学习能够分析来自一组分布式智能设备的大量数据，而无需将数据上传到中心位置。然而，常用的联邦学习算法是基于随机梯度下降（SGD）的，并且由于其高通信资源要求而不适合于资源受限的IoT环境。此外，智能设备上敏感数据的隐私已成为一个关键问题，需要严格保护。本文提出了一种新的联邦学习框架DP-PASGD，用于从物联网中资源受限的智能设备存储的数据中有效地训练机器学习模型，同时保证差分隐私。将DP-PASGD的最优方案设计转化为一个优化问题，在满足资源代价和隐私损失限制的前提下，最大化学习性能，并基于DP-PASGD的收敛性分析，提出了一种近似求解方法，有效地解决了该优化问题.基于真实数据集的数值结果验证了DP-PASGD格式的有效性。
2020-03-28 cs.CR cs.LG stat.ML
A Survey of Trustworthy Federated Learning with Perspectives on Security, Robustness, and Privacy
The Chinese University of Hong Kong（香港中文大学）；University of Electronic Science and Technology of China（电子科技大学）；Peng Cheng Lab（鹏城实验室）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
值得信赖的人工智能（AI）技术彻底改变了日常生活，极大地造福了人类社会。在各种人工智能技术中，联邦学习（FL）脱颖而出，成为各种现实世界场景的有前途的解决方案，从金融风险评估系统到生命科学中的药物发现等尖端技术。然而，围绕数据隔离和隐私的挑战威胁着FL系统的可信度。针对数据隐私、学习算法稳定性和系统机密性的对抗攻击在联邦学习中的分布式训练环境中尤其令人担忧。因此，以值得信赖的方式开发FL至关重要，重点是安全性，鲁棒性和隐私性。在这项调查中，我们提出了一个全面的路线图，用于开发值得信赖的FL系统，并从三个关键方面总结了现有的努力：安全性，鲁棒性和隐私。我们概述了在不同的开发阶段（包括数据处理、模型训练和部署）对可信的联邦学习构成漏洞的威胁。为了指导选择最合适的防御方法，我们讨论了实现可信FL（TFL）的各个方面的具体技术解决方案。我们的方法不同于以往的工作，主要是从法律的角度来讨论TFL或从高层次的，非技术的角度来介绍FL。
2023-02-21 cs.CR cs.LG
Federated Learning for Smart Healthcare: A Survey
Deakin University（迪肯大学）；Pusan National University（釜山国立大学）；CSIRO（澳大利亚联邦科学与工业研究组织）；University of New South Wales（新南威尔士大学）；The University of Sydney（悉尼大学）；Memorial University（纪念大学）
通信技术和医疗物联网的最新进展已经改变了人工智能（AI）支持的智能医疗保健。传统上，人工智能技术需要集中的数据汇集和处理，由于现代医疗网络的高度可扩展性和日益增长的数据隐私问题，这在现实的医疗保健场景中可能是不可行的。联邦学习（FL）作为一种新兴的分布式协作AI范式，通过协调多个客户端（例如，医院）进行人工智能培训，而无需共享原始数据。因此，我们对FL在智能医疗中的使用进行了全面的调查。首先，我们介绍了FL的最新进展，在智能医疗中使用FL的动机和要求。然后讨论了最近用于智能医疗的FL设计，从资源感知FL，安全和隐私感知FL到激励FL和个性化FL。随后，我们提供了FL在关键医疗领域的新兴应用的最新评论，包括健康数据管理，远程健康监测，医学成像和COVID-19检测。分析了最近几个基于FL的智能医疗项目，并强调了从调查中吸取的关键经验教训。最后，我们讨论了有趣的研究挑战和未来FL研究在智能医疗的可能方向。
2021-11-16 cs.LG eess.SP
Federated Learning for Water Consumption Forecasting in Smart Cities
Mohammed V University in Rabat（拉巴特穆罕默德五世大学）；ENSIAS（国家高等信息与系统分析学院（拉巴特穆罕默德五世大学下属，按独立机构提取为ENSIAS，中文暂译：国家高等信息与系统分析学院））；Al Akhawayn University in Ifrane（伊夫兰阿卡韦恩大学）；School of Science and Engineering（科学与工程学院）
水的消耗仍然是世界未来挑战中的一个主要关切。对于负载监控和需求响应等应用，深度学习模型使用智能城市中的大量消费数据进行训练。一方面，所使用的信息是私人的。例如，作为消费者住宅处的系统物联网架构的一部分的智能电表收集的精确信息可以提供有关电器的详细信息，从而提供消费者在家中的行为。另一方面，深度学习模型需要具有足够变化的巨大数据量才能正确训练。本文介绍了一种新的模型，用于智能城市的用水量预测，同时保护每月用水量的隐私。所提出的方法利用联邦学习（FL）作为一种机器学习范例，旨在以分布式方式训练机器学习模型，同时避免与中央训练设施共享用户数据。此外，这种方法有希望通过降低用户和中心实体之间的数据传输频率来降低开销利用率。大量的模拟表明，所提出的方法显示出不同的家庭用水量的预测增强。
2023-01-30 cs.LG
F-RBA: A Federated Learning-based Framework for Risk-based Authentication
University of Montreal（蒙特利尔大学）；University of Ottawa（渥太华大学）
提出F-RBA联邦学习框架，通过本地化风险评估和相似性特征工程，解决分布式认证中的异构数据与冷启动问题，实现隐私保护与高效检测。
2024-12-16 cs.CR cs.LG
Privacy-preserving Graph Analytics: Secure Generation and Federated Learning
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Arizona State University（亚利桑那州立大学）
直接从国土安全企业的安全相关的应用程序的动机，我们专注于图数据的隐私保护分析，它提供了重要的能力来表示丰富的属性和关系。特别是，我们讨论了两个方向，即隐私保护图生成和联邦图学习，这可以共同实现每个拥有私有图数据的多方之间的协作。对于每一个方向，我们都确定了“速赢”和“难题”。最后，我们展示了一个用户界面，可以促进模型的解释，解释和可视化。我们相信，在这些方向上开发的技术将大大提高国土安全企业应对和减轻各种安全风险的能力。
2022-06-30 cs.CR cs.LG
Electrical Load Forecasting over Multihop Smart Metering Networks with Federated Learning
Department of Electrical and Computer Engineering, University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校电气与计算机工程系）；Computer Science and Mathematics Division, Oak Ridge National Laboratory（橡树岭国家实验室计算机科学与数学 division）；Department of Electrical and Computer Engineering, Kansas State University（堪萨斯州立大学电气与计算机工程系）
本文提出一种基于元学习的个性化联邦学习方法，解决多跳智能电表网络中异构数据分布导致的负荷预测难题，并优化资源分配以降低预测延迟。
2025-11-04 cs.LG
An Efficient and Reliable Asynchronous Federated Learning Scheme for Smart Public Transportation
Deakin University（迪肯大学）；Commonwealth Scientific and Industrial Research Organization（澳大利亚联邦科学与工业研究组织）；Xidian University（西安电子科技大学）；Qilu University of Technology（齐鲁工业大学）；Shandong Computer Science Center（山东省计算中心）
由于交通状况会随时间而变化，因此在智能公共交通中，预测交通流量的机器学习模型必须持续有效地更新。联邦学习（FL）是一种分布式机器学习方案，允许总线接收模型更新，而无需等待云上的模型训练。然而，FL很容易受到中毒或DDoS攻击，因为公共汽车在公共场所行驶。异步联邦学习（AFL）是一种通过减少聚合延迟来提高效率的方案，但由于局部模型权重不合理，导致学习性能不稳定。为了解决上述挑战，本文提出了一种基于区块链的具有动态缩放因子的异步联邦学习方案（DBAFL）。具体来说，区块链的新型基于委员会的共识算法以尽可能低的时间成本提高了可靠性。同时，设计的动态缩放因子允许AFL分配合理的权重到陈旧的本地模型。在异构设备上进行的大量实验验证了DBAFL的学习性能，效率和可靠性。
2022-12-26 cs.DC cs.LG
Federated Learning for Smart Grid: A Survey on Applications and Potential Vulnerabilities
University of Nevada, Reno（内华达大学拉斯维加斯分校）；The University of Tulsa（图兰大学）；University of Florida（佛罗里达大学）
本文综述了联邦学习在智能电网发电、输配电和用电三阶段的应用与潜在漏洞，指出研究差距并提出未来方向，同时开源了包含攻击与防御方法的FedGridShield框架。
2025-08-13 cs.CR cs.LG
Linkage on Security, Privacy and Fairness in Federated Learning: New Balances and New Perspectives
City University of Macau（澳门城市大学）；University of Technology Sydney（悉尼科技大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
本综述梳理联邦学习中隐私、安全与公平问题，分析三者间复杂关联与权衡，并指出公平性可作为连接隐私与安全的桥梁及未来研究方向。
2024-06-16 cs.CR cs.DC cs.LG
BlindFL: Vertical Federated Machine Learning without Peeking into Your Data
Peking University（北京大学）；Tencent Inc.（腾讯公司）
由于对隐私保护的日益关注，如何在不同数据源上构建具有安全保证的机器学习（ML）模型越来越受欢迎。垂直联邦学习（VFL）描述了这样一种情况，即ML模型建立在不同参与方的私有数据之上，这些参与方拥有相同实例集的不相交特征，这适合许多现实世界的协作任务。然而，我们发现现有的VFL解决方案要么支持有限的输入功能，要么在联邦执行过程中遭受潜在的数据泄漏。为此，本文旨在研究VFL场景中ML模式的功能和安全性。具体来说，我们介绍了BlindFL，一个新的VFL训练和推理框架。首先，为了解决VFL模型的功能，我们提出了联合源层来统一来自不同方的数据。联合源层可以有效地支持各种特性，包括密集、稀疏、数值和分类特性。其次，我们仔细分析了联邦执行过程中的安全性，并形式化了隐私需求。在分析的基础上，我们设计了安全和准确的算法协议，并进一步证明了理想-真实仿真范式下的安全保证。大量的实验表明，BlindFL有效地支持不同的数据集和模型，同时实现了强大的隐私保证。
2022-06-16 cs.CR cs.LG
Smart Multi-tenant Federated Learning
NTU（南洋理工大学）；SenseTime Research（商汤科技研究院）
联邦学习（FL）是一种新兴的分布式机器学习方法，它可以在分散的边缘设备上进行原位模型训练。然而，多个同时的训练活动可能使资源受限的设备过载。在这项工作中，我们提出了一个智能多租户FL系统，MuFL，有效地协调和执行同步培训活动。我们首先形式化多租户FL的问题，定义多租户FL场景，并引入一个香草多租户FL系统，按顺序训练活动以形成基线。然后，我们提出了两种优化多租户FL的方法：1）活动合并将训练活动合并到一个具有多任务架构的活动中; 2）在训练轮之后，活动分裂通过利用活动之间的亲和力将其划分为组，使得组内的活动具有更好的协同作用。大量的实验表明，MuFL优于其他方法，同时消耗的能量减少40%。我们希望这项工作能够激励社区进一步研究和优化多租户FL。
2022-07-09 cs.AI cs.CV cs.DC
On-device Federated Learning in Smartphones for Detecting Depression from Reddit Posts
Ahsanullah University of Science and Technology（阿赫桑乌拉科技大学）；Khulna University of Engineering & Technology（库尔纳工程技术大学）；King Fahd University of Petroleum and Minerals（法赫德国王石油与矿产大学）
本研究针对抑郁检测领域分布式学习探索不足的问题，采用联邦学习在智能手机上基于Reddit帖子训练GRU、RNN、LSTM模型，通过统一分词器优化训练，验证了联邦模型性能与集中式模型相当，为去中心化心理健康预测提供了隐私安全的高效方案。
2025-03-24 cs.LG
A Lifecycle Cost Analysis of Smart-Contract-Coordinated Federated Learning Marketplaces
Institute of Informatics UFRGS Porto Alegre, Brazil
本文实验分析DAO治理的智能合约联邦学习市场，发现单任务每训练者耗约380万gas，成本在约20轮后达摊销拐点，且链上与IPFS集成不损精度，成本摊销源于经常性成本远低于固定部署成本。
2026-09-15 cs.DC cs.LG
Embedding Alignment for Unsupervised Federated Learning via Smart Data Exchange
Purdue University（普渡大学）；Zillow Group（Zillow集团）
联邦学习（FL）被认为是分布式机器学习（ML）最有前途的解决方案之一。在目前的大多数文献中，FL已经被研究用于监督ML任务，其中边缘设备收集标记数据。然而，在许多应用中，假设跨设备存在标记数据是不切实际的。为此，我们开发了一种新的方法，合作联邦无监督对比学习（CF-CL），FL跨边缘设备与未标记的数据集。CF-CL采用本地设备协作，其中通过设备到设备（D2 D）通信在设备之间交换数据，以避免由非独立和同分布（非i.i.d.）本地数据集。CF-CL引入了一种针对无监督FL设置的推拉式智能数据共享机制，其中，每个设备将其本地数据点的子集作为保留数据点推送到其邻居，并从其邻居拉取一组数据点，通过概率重要性采样技术进行采样。我们证明了CF-CL导致（i）跨设备对齐无监督学习的潜在空间，（ii）更快的全局收敛，允许更少的全局模型聚合;（iii）在极端非独立同分布中有效。跨设备的数据设置。
2022-08-04 cs.LG
RFID based Health Adherence Medicine Case Using Fair Federated Learning
本文针对药物不依从性问题，提出了一种基于RFID和NFC技术的Smart Pill Case智能药盒，并集成联邦学习方法在保护用户隐私的前提下从多用户数据中持续优化用药建议和警告，提升了用药依从支持的有效性与个性化。
2024-08-21 cs.LG
Crossing Roads of Federated Learning and Smart Grids: Overview, Challenges, and Perspectives
University of Applied Sciences（应用科学大学）；University of Skikda（斯基克达大学）；University of Dubai（迪拜大学）；University of Sharjah（沙迦大学）；De Montfort University（德蒙福特大学）；Qatar University（卡塔尔大学）；University of Klagenfurt（克拉根福大学）
本文综述了联邦学习在智能电网中的应用，分析其在负荷预测、电动汽车、故障诊断等场景下的优势与不足，并探讨了数据划分、通信拓扑、安全机制等设计趋势及未来挑战。
2023-04-17 cs.AI cs.CR cs.CY
Electrical Load Forecasting in Smart Grid: A Personalized Federated Learning Approach
University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）；Pacific Northwest National Laboratory（西北太平洋国家实验室）
本文提出一种基于元学习的个性化联邦学习方法，解决智能电网中异构智能电表非独立同分布数据下的负荷预测问题，在保护隐私的同时提升了预测精度。
2024-11-15 cs.LG eess.SP
FedBlockHealth: A Synergistic Approach to Privacy and Security in IoT-Enabled Healthcare through Federated Learning and Blockchain
University of Technology Sydney（悉尼科技大学）；University of Haripur（哈里普尔大学）；Thapar University Patiala（帕蒂亚拉塔帕尔大学）；Abdul Wali Khan University（阿卜杜勒·瓦利·汗大学）
本文提出FedBlockHealth框架，融合联邦学习与区块链，通过公钥密码保障本地模型更新安全，在EMNIST数据集上验证了物联网医疗场景下的隐私保护、安全性与计算效率。
2023-04-16 cs.AI cs.CR cs.LG
Federated Crowdsensing: Framework and Challenges
Peking University（北京大学）；Nanyang Technological University（南洋理工大学）；Shanghai University of Finance and Economics（上海财经大学）
Crowdsensing是智能城市应用的有前途的感测范例（例如，交通和环境监测），智能移动设备和先进的网络基础设施的普及。同时，由于任务是由个体来完成的，因此隐私保护是群体感知系统的关键问题之一。传统上，为了减轻用户的隐私担忧，噪声被添加到参与者的敏感数据（例如，参与者的位置）通过诸如差分隐私的技术。然而，这不可避免地导致对众测任务的质量损失。最近，联邦学习范式被提出，其目的是在机器学习中实现隐私保护，同时确保学习质量受到很小或没有损失。受联邦学习范式的启发，本文研究了联邦学习如何使众测应用受益。特别是，我们首先提出了一个联邦众测框架，它分析了每个众测阶段的隐私问题（即，任务创建、任务分配、任务执行和数据聚合），并讨论联邦学习技术如何生效。最后，我们总结了联邦众测的主要挑战和机遇。
2020-11-06 cs.CR cs.DC cs.LG
Hierarchical Federated Learning for Crop Yield Prediction in Smart Agricultural Production Systems
ENSIAS, Mohammed V University in Rabat（ENSIAS，摩洛哥拉巴特穆罕默德五世大学）；Samovar, Télécom SudParis, Institut Polytechnique de Paris（Samovar，电信南巴黎，巴黎理工学院）
本文提出一种三层分层联邦学习架构，结合季节性订阅机制，实现作物产量预测中的局部专业化与全局泛化，在保护隐私和降低通信开销的同时显著优于标准机器学习模型。
2025-10-14 cs.AI cs.DC cs.LG
Computation and Communication Efficient Lightweighting Vertical Federated Learning for Smart Building IoT
Peng Cheng Laboratory（鹏城实验室）
针对智能建筑物联网设备资源有限、现有水平联邦学习技术无法直接应用于垂直联邦学习的问题，提出轻量化垂直联邦学习框架，通过优化特征模型复杂度和压缩特征嵌入提升效率，并推导收敛界，实验验证其性能与资源效率。
2025-04-14 cs.DC cs.LG
FedTherapist: Mental Health Monitoring with User-Generated Linguistic Expressions on Smartphones via Federated Learning
KAIST（韩国科学技术院）；SoftlyAI；Tsinghua University（清华大学）；Emory University（埃默里大学）
提出FedTherapist系统，通过联邦学习利用智能手机上的语音和键盘输入进行隐私保护的心理健康监测，并采用CALL方法处理嘈杂文本，在46名参与者实验中相比非语言特征实现了更高的预测准确率。
2023-10-25 cs.AI cs.CL cs.LG
Federated Sequence-to-Sequence Learning for Load Disaggregation from Unbalanced Low-Resolution Smart Meter Data
Monash University（莫纳什大学）
本文提出利用天气数据与联邦序列到序列学习框架L2GD，在不共享数据的低分辨率智能电表场景下实现12种高低耗能电器的负荷分解，有效处理统计异质性并显著提升NILM性能。
2024-08-15 cs.AI cs.LG eess.SP
Decentralized Federated Learning: A Survey on Security and Privacy
University of Windsor（温莎大学）；University of New Brunswick（新不伦瑞克大学）；University of Western Ontario（西安大略大学）；Hong Kong University of Science and Technology（香港科技大学）；WeBank（微众银行）
本综述系统分析了去中心化联邦学习中的安全与隐私威胁、对手类型及防御机制，并探讨了其可信性与可验证性。
2024-01-25 cs.AI cs.CR cs.LG
AMI-FML: A Privacy-Preserving Federated Machine Learning Framework for AMI
New Mexico State University（新墨西哥州立大学）
基于机器学习（ML）的智能电表数据分析对于高级计量基础设施（AMI）中的能源管理和需求响应应用非常有前途。为AMI开发分布式ML应用程序的一个关键挑战是保护用户隐私，同时允许终端用户积极参与。本文解决了这一挑战，并提出了一个隐私保护的联邦学习框架，在AMI的ML应用程序。我们将每个智能电表视为托管ML应用程序的联合边缘设备，该ML应用程序定期与中央聚合器或数据集中器交换信息。ML模型权重被传输到聚合器以保护隐私，而不是传输智能电表感测到的原始数据。聚合器处理这些参数，以设计一个强大的ML模型，可以在每个边缘设备上替换。我们还讨论了增强隐私和提高通信效率的策略，同时共享ML模型参数，适用于AMI中相对较慢的网络连接。我们展示了一个用例联邦ML（FML）应用程序，提高短期负荷预测（STLF）的建议框架。我们使用长短期记忆（LSTM）递归神经网络（RNN）模型进行STLF。在我们的架构中，我们假设有一个聚合器连接到一组智能电表。聚合器使用从联合智能仪表接收的学习模型梯度来生成聚合的、鲁棒的RNN模型，该模型提高了个体和聚合的STLF的预测准确性。我们的研究结果表明，使用FML，预测精度提高，同时保护最终用户的数据隐私。
2021-12-15 cs.LG cs.SY eess.SY
Reconciling Security and Communication Efficiency in Federated Learning
Meta AI
跨设备联邦学习是一种越来越流行的机器学习设置，通过利用大量具有高度隐私和安全保证的客户端设备来训练模型。然而，当将联邦学习扩展到生产环境时，通信效率仍然是一个主要瓶颈，特别是由于上行链路通信期间的带宽限制。在本文中，我们正式和解决的问题，压缩客户端到服务器的模型更新下的安全聚合原语，联邦学习管道，允许服务器聚合客户端更新，而无需单独访问它们的核心组件。特别是，我们适应标准的标量量化和修剪方法安全聚合，并提出安全索引，安全聚合的一个变种，支持量化的极端压缩。我们在安全的联邦学习设置中建立了LEAF基准测试的最新结果，在上行链路通信中进行了多达40次$\times$压缩，与未压缩的基线相比，效用没有任何有意义的损失。
2022-07-26 cs.AI cs.DC cs.LG
Smart Sampling: Helping from Friendly Neighbors for Decentralized Federated Learning
School of Science and Engineering, The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）理工学院）
本文提出AFIND+算法，通过识别有益邻居、自适应调整采样数量并按其贡献聚合模型，在去中心化联邦学习中提升客户端性能，实验表明其优于现有采样算法且兼容主流DFL优化算法。
2024-07-05 cs.LG
Security Assessment of Hierarchical Federated Deep Learning
Newcastle University（纽卡斯尔大学）；Alahsa Technical College（艾拉哈萨技术学院）；University of Catania（卡塔尼亚大学）；Technical University of Ostrava（俄斯特拉发技术大学）
本研究评估分层联邦学习（HFL）的安全性，发现其对非目标训练时攻击鲁棒，但易受后门攻击，且分层聚合增强了对推理时攻击的抵抗力。
2024-08-20 cs.AI cs.CR cs.LG
Enhancing Mutual Trustworthiness in Federated Learning for Data-Rich Smart Cities
Mohammad Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Polytechnique Montréal（蒙特利尔理工学院）；Lebanese American University（黎巴嫩美国大学）；Khalifa University（哈利法大学）；New York University（纽约大学）；Technology Innovation Institute (TII)（技术创新研究所）
本文针对智慧城市联邦学习中客户端与服务器信任不对等的问题，提出一种兼顾双方偏好的相互可信度增强框架，通过偏好函数、声誉推荐、可信度评分、IQR信任评估和智能匹配算法提升信任水平与全局模型准确率，并减少不可信客户端。
2024-05-01 cs.GT cs.LG
Gradient Obfuscation Gives a False Sense of Security in Federated Learning
North Carolina State University（北卡罗来纳州立大学）；Zhejiang University（浙江大学）
联邦学习已经被提出作为一种隐私保护的机器学习框架，它使多个客户端能够在不共享原始数据的情况下进行协作。然而，客户端隐私保护在此框架中的设计并不保证。先前的工作表明，联邦学习中的梯度共享策略可能容易受到数据重建攻击。然而，在实践中，考虑到高通信成本或由于隐私增强要求，客户端可能不发送原始梯度。经验研究表明，梯度混淆，包括通过梯度噪声注入的有意混淆和通过梯度压缩的无意混淆，可以提供更多的隐私保护以对抗重建攻击。在这项工作中，我们提出了一个新的数据重建攻击框架，针对图像分类任务的联邦学习。我们发现，通常采用的梯度后处理程序，如梯度量化，梯度稀疏化，梯度扰动，可能会给联邦学习一个虚假的安全感。与以前的研究相反，我们认为，隐私增强不应该被视为梯度压缩的副产品。此外，我们设计了一种新的方法，在所提出的框架下，在语义级重建图像。我们量化的语义隐私泄漏，并与传统的基于图像相似性得分。我们的比较挑战文献中的图像数据泄漏评估方案。结果强调了在现有的联邦学习算法中重新访问和重新设计客户端数据隐私保护机制的重要性。
2022-10-14 cs.AI cs.CR cs.DC
FedCARE: A Multi-Objective Personalised Federated Learning Framework for Smart Healthcare
针对医疗联邦的非IID数据、异构目标与私有特征问题，提出FedCARE框架，通过两阶段训练策略实现多目标个性化，在MIMIC-III等数据集上较FedAvg取得显著性能提升。
2026-08-05 cs.DC cs.LG
Clustered Federated Learning for Generalizable FDIA Detection in Smart Grids with Heterogeneous Data
Department of Computer Science, University of California, Santa Barbara, CA, USA（计算机科学系，加州大学圣芭芭拉分校）；Department of Electrical and Electronic Engineering, The University of Hong Kong（电气与电子工程系，香港大学）；Department of Electronics and Information Engineering, Shenzhen University（电子与信息工程系，深圳大学）
本文提出FedClusAvg，一种隐私保护的聚类联邦学习框架，通过分层采样和分层通信，在非独立同分布数据下提升智能电网虚假数据注入攻击检测的泛化能力，同时降低通信开销。
2025-08-04 cs.LG cs.SY eess.SY
FedAR+: A Federated Learning Approach to Appliance Recognition with Mislabeled Data in Residential Buildings
Indian Institute of Technology (BHU)（印度理工学院（贝拿勒斯印度教大学））；Missouri University of Science and Technology（密苏里科技大学）
随着人们生活水平的提高和通信技术的快速发展，住宅环境变得智能化和互联化，整体能源消耗大幅增加。由于家用电器是主要的能源消费者，因此对它们的识别对于避免无人看管的使用至关重要，从而节约能源并使智能环境更具可持续性。传统上，通过从客户端（消费者）收集经由智能插头记录的电力消耗数据，在中央服务器（服务提供商）处训练电器识别模型，从而导致隐私泄露。除此之外，当设备连接到非指定的智能插头时，数据容易受到噪音标签的影响。在共同解决这些问题的同时，我们提出了一种新的联邦学习方法来进行设备识别，称为FedAR+，即使使用错误标记的训练数据，也可以以隐私保护的方式跨客户端进行分散的模型训练。FedAR+引入了一种自适应噪声处理方法，本质上是一种结合权重和标签分布的联合损失函数，以增强电器识别模型对噪声标签的能力。通过在公寓大楼中部署智能插件，我们收集了一个标记的数据集，以及两个现有的数据集，用于评估FedAR+的性能。实验结果表明，我们的方法可以有效地处理高达$30\%$浓度的噪声标签，同时优于以前的解决方案的准确性大幅度提高。
2022-09-03 cs.LG
Federated Learning-based MARL for Strengthening Physical-Layer Security in B5G Networks
Department of Computer and Software Engineering, Polytechnique Montreal（计算机与软件工程系，蒙特利尔理工学院）；Department of Electrical and Computer Engineering, Concordia University（电气与计算机工程系，康科迪亚大学）
本文提出基于联邦学习的多智能体强化学习策略，通过DQN与RDPG算法增强B5G多蜂窝网络物理层安全，实验表明RDPG收敛更快且优于分布式方法，并揭示了安全与复杂性的权衡。
2025-07-09 cs.ET cs.LG cs.NI
Enhancing Smart Farming Through Federated Learning: A Secure, Scalable, and Efficient Approach for AI-Driven Agriculture
Minnesota State University（明尼苏达州立大学）
本文提出了一种用于智能农业的联邦学习框架，通过本地保留数据并协作更新模型，在保护明尼苏达州农场数据隐私的同时实现高效的作物病害检测。
2025-09-15 cs.AI cs.LG
Graph Federated Learning for CIoT Devices in Smart Home Applications
University of Toronto（多伦多大学）；Yazd University（亚兹德大学）
针对智能建筑中消费者物联网（CIoT）设备数量有限的情况，提出了一种跨竖井联邦学习（FL）框架下的统计和系统异构性问题。我们提出了一种新的图形信号处理（GSP）启发聚合规则的基础上图过滤称为“G-Fedfilt”。建议的聚合器，使结构化的信息流的基础上图的拓扑结构。此行为允许捕获CIoT设备的互连并训练特定于域的模型。嵌入式图过滤器配备了一个可调参数，使域不可知和域特定的FL之间的连续权衡。在域不可知的情况下，它迫使G-Fedfilt的行为类似于传统的联邦平均（FedAvg）聚合规则。所提出的G-Fedfilt还实现了基于图连通性的内在平滑聚类，而无需显式指定，这进一步增强了框架中模型的个性化。此外，该方案享有通信效率的时间调度，以减轻系统的异构性。这是通过自适应地调整训练数据样本的量和模型梯度的稀疏性来实现的，以减少通信去同步化和延迟。仿真结果表明，在统计异构的局部数据集上考虑模型个性化时，G-Fedfilt的分类精度比传统的FedAvg高出$3.99\% $;在测试模型泛化能力时，G-Fedfilt的分类精度比FedAvg高出$2.41\%$.
2022-12-29 cs.LG
SusFL: Energy-Aware Federated Learning-based Monitoring for Sustainable Smart Farms
Virginia Tech（弗吉尼亚理工大学）
提出SusFL系统，通过机制设计优化太阳能传感器客户端选择，在最小化能耗的同时提升疾病监测准确性和系统可靠性，实现可持续智慧农场动物健康监测。
2024-02-15 cs.LG
Federated Learning with Blockchain-Enhanced Machine Unlearning: A Trustworthy Approach
Faculty of Data Science, City University of Macau（澳门大学数据科学学院）；School of Computer Science, University of Technology Sydney（悉尼科技大学计算机科学学院）
本文提出一种结合区块链与联邦学习的框架，通过不可篡改的记录和认证机制解决物联网环境中机器遗忘学习缺乏可验证性的信任问题，同时优化数据管理以保障系统效率与隐私安全。
2024-05-27 cs.AI cs.CR cs.DC
Adaptive UAV-Assisted Hierarchical Federated Learning: Optimizing Energy, Latency, and Resilience for Dynamic Smart IoT
School of Informatics, Xiamen University（厦门大学信息学院）；department of Electrical Engineering, University at Buffalo-SUNY（布法罗大学电气工程系）
本文提出了一种自适应无人机辅助分层联邦学习框架，通过联合优化学习配置、带宽分配和设备与无人机关联，以降低全局训练成本并提高动态物联网环境下的鲁棒性。
2026-03-18 cs.LG
