Exploratory Analysis of Federated Learning Methods with Differential Privacy on MIMIC-III
University Zurich(苏黎世大学);University Hospital of Zurich(苏黎世大学医院)
背景资料:联邦学习方法提供了在隐私敏感数据集上训练机器学习模型的可能性,这些数据集不能轻易共享。多项法规对医疗保健数据的存储和使用提出了严格的要求,导致数据处于孤岛中(即锁定在医疗保健设施中)。在这些数据集上应用联邦算法可以加速疾病诊断,药物开发以及改善患者护理。研究方法:我们提出了一个广泛的评估不同的联邦和差分隐私技术的影响时,培训模型的开源MIMIC-III数据集。我们分析了影响联邦模型性能的一组参数,即数据分布(同质和异构)、通信策略(通信回合与本地训练时期)、联邦策略(FedAvg与FedProx)。此外,我们评估和比较两个差分隐私(DP)技术在模型训练:基于随机梯度下降的差分隐私算法(DP-SGD),和稀疏向量差分隐私技术(DP-SVT)。结果如下:我们的实验表明,当使用FedAvg策略进行训练时,跨站点的极端数据分布(患者数量或站点之间的阳性标签比率不平衡)会导致模型性能恶化。使用FedProx并使用适当的超参数调优时,此问题得到解决。此外,结果表明,这两种差分隐私技术可以达到类似于那些没有DP训练的模型的模型性能,但在大量的可量化的隐私泄漏的代价。结论:我们经验评估的好处,两个联邦战略,并提出最佳策略的参数选择时,使用差分隐私技术。
2023-02-08 cs.LG stat.ML
A Robust Pipeline for Differentially Private Federated Learning on Imbalanced Clinical Data using SMOTETomek and FedProx
Federal Institute of Education, Science, and Technology of Rio Grande do Norte (IFRN)(北里奥格兰德联邦教育、科学与技术学院(IFRN))
研究针对不平衡临床数据的差分隐私联邦学习问题,先在客户端集成SMOTETomek,后用调优的FedProx算法优化框架,揭示隐私预算与模型召回率的权衡,确定最佳操作区域,为创建有效安全准确的医疗诊断工具提供方法蓝图。
2026-07-27 cs.AI cs.CR cs.LG
Weight Divergence Driven Divide-and-Conquer Approach for Optimal Federated Learning from non-IID Data
Intel Technology India Pvt. Ltd(英特尔印度技术有限公司)
联邦学习允许训练存储在分布式设备中的数据,而不需要集中训练数据,从而维护数据隐私。解决处理数据异构性(不同和独立的分布或非IID)的能力是更广泛地部署联邦学习的关键推动因素。在本文中,我们提出了一种新的Divide-and-Conquer训练方法,通过克服非IID环境中公认的FedAvg限制,可以使用流行的FedAvg聚合算法。我们提出了一种基于余弦距离的权重发散度量的新用途,以确定深度学习网络可以分为类不可知的初始层和类特定的深层的确切点,以执行分治训练。我们表明,该方法达到了标准的训练模型精度(在某些情况下超过)与国家的最先进的聚合算法,如FedProx,FedMA等实现的数字。此外,我们表明,这种方法导致计算和带宽优化在某些记录的条件下。
2021-06-30 cs.DC cs.LG
Lower Bounds and Optimal Algorithms for Personalized Federated Learning
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
在这项工作中,我们考虑了Hanzely和Richtárik(2020)最近引入的个性化联邦学习的优化公式,该公式被证明可以对本地{ \tt SGD}方法的工作原理给出另一种解释。我们的第一个贡献是建立第一个下界,这个配方,为通信复杂性和本地预言复杂性。我们的第二个贡献是几个最佳的方法匹配这些下限在几乎所有的制度的设计。这些是第一个可证明的个性化联邦学习的最佳方法。我们的优化方法包括{ \tt FedProx}的加速变体和{ \tt FedAvg}/Local { \tt SGD}的加速方差缩减版本。我们通过大量的数值实验证明了我们的方法的实际优势。
2020-10-05 cs.DC cs.LG math.OC
Federated Survival Analysis in Healthcare: A Multi-Model Evaluation on Cross-Institutional Heterogeneous Breast Cancer Data
University of Oulu(奥卢大学);University of Deusto(德乌斯托大学)
本文在跨机构异质性乳腺癌数据上系统评估了三种生存模型(Cox比例风险、DeepSurv、随机生存森林)和三种联邦优化策略(FedAvg、FedProx、FedAdam),发现联邦学习优于本地训练且接近集中式性能,随机生存森林在区分度、校准度和鲁棒性上最佳,并给出了实践指南。
2026-06-24 cs.LG q-bio.QM stat.ME
Tackling the Objective Inconsistency Problem in Heterogeneous Federated Optimization
Carnegie Mellon University(卡内基梅隆大学);Princeton University(普林斯顿大学)
在联邦优化中,客户端的本地数据集和计算速度的异构性导致每个客户端在每个通信回合中执行的本地更新的数量变化很大。这种模型的朴素加权聚合导致目标不一致,即全局模型收敛到不匹配目标函数的稳定点,该目标函数可以与真实目标任意不同。本文提供了一个通用的框架来分析联邦异构优化算法的收敛性。它包含了以前提出的方法,如FedAvg和FedProx,并提供了第一个原则性的理解解决方案的偏见和收敛速度放缓,由于客观的不一致性。利用这种分析的见解,我们提出了FedNova,一种归一化的平均方法,消除了客观的不一致性,同时保持快速的误差收敛。
2020-07-15 cs.DC cs.LG stat.ML
A Two-Stage CAE-Based Federated Learning Framework for Efficient Jamming Detection in 5G Networks
School of Electrical and Computer Engineering(电气与计算机工程学院);University of Ottawa(渥太华大学)
本文提出面向5G毫微微小区的两阶段联邦学习框架,结合FedAVG训练CAE与FedProx训练FCN,在保护隐私的同时实现高效干扰检测。
2025-01-25 cs.CR cs.LG
Prediction-space knowledge markets for communication-efficient federated learning on multimedia tasks
KTA v2通过预测空间知识交易市场提升联邦学习在多媒体任务中的通信效率和性能。
2025-11-30 cs.LG
Hardware-Aware Federated Learning for Speech Emotion Recognition
Computer Engineering(计算机工程);Istanbul Technical University(伊斯坦布尔技术大学);Department of Computer Technologies(计算机技术系);Istanbul University-Cerrahpaşa(伊斯坦布尔大学-塞拉赫帕沙)
提出一种硬件感知联邦学习框架,通过硬件性能分析、Top-K客户端选择和自适应本地轮数,在IEMOCAP数据集上实现情感识别,相比FedAvg减少约36.5%训练时间和40%通信成本。
2026-05-23 cs.HC cs.LG
Sparse Federated Learning with Hierarchical Personalized Models
Tianjin University(天津大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本文提出稀疏联邦学习算法sFedHP,通过层次化近端映射和近似L1范数稀疏约束,在非独立同分布数据下提升全局模型性能并显著降低通信成本,实验证明其优于多种现有联邦学习方法。
2023-09-25 cs.LG
A Comparative Benchmark of Federated Learning Strategies for Mortality Prediction on Heterogeneous and Imbalanced Clinical Data
Federal Institute of Education, Science, and Technology of Rio Grande do Norte (IFRN)(北里奥格兰德联邦教育、科学与技术学院(IFRN))
针对异构和不平衡临床数据的死亡率预测,对五种联邦学习策略进行基准测试,发现基于正则化的FedProx更稳健,集中化有轻微优势,还指出客户端异质性和评估集构建值得关注,不同策略在各指标表现有差异。
2026-07-27 cs.AI cs.CY cs.LG
GCA: Global Centroid Alignment in Federated Learning
该研究提出GCA协议,通过潜在代码介导的联邦学习,无需传输AE参数或梯度,可防御数据提取攻击,降低通信开销,提升测试准确率。
2026-08-25 cs.DC cs.LG
FedGroup: Efficient Clustered Federated Learning via Decomposed Data-Driven Measure
College of Computer Science, Chongqing University(重庆大学计算机学院);School of Computer Science and Technology, Xi’an Jiaotong University(西安交通大学计算机科学与技术学院)
针对联邦学习中数据统计异质性导致的性能下降问题,提出聚类联邦学习框架FedGroup,通过优化方向分组、数据驱动度量和冷启动机制提升效率与性能,在多个数据集上准确率优于现有相关框架。
2021-07-27 cs.DC cs.LG
Federated Learning in the Presence of Adversarial Client Unavailability
Northeastern University(东北大学);Duke University(杜克大学);Tsinghua University(清华大学)
本文研究对抗性客户端不可用下的联邦学习,利用ε-对手丢弃比例量化不可用程度,证明FedAvg/FedProx变体在非凸和强凸目标下均达到最优估计误差与收敛速度。
2024-02-20 cs.DC cs.LG
Aiding Global Convergence in Federated Learning via Local Perturbation and Mutual Similarity Information
Politecnico di Torino(都灵理工大学)
该研究针对联邦学习中缺乏利用客户端统计相似性优化方法的问题,提出基于相似图的带扰动局部梯度步框架,理论和实验均证明其相比FedAvg、FedProx能加速收敛并提升泛化性。
2024-10-07 cs.LG math.OC
Global Convergence of Federated Learning for Mixed Regression
Northeastern University(东北大学);The Fuqua School of Business(福库商学院);Duke University(杜克大学);Center for Statistical Science(统计科学中心);Tsinghua University(清华大学)
研究了客户端呈现集群结构时联邦学习模型的训练问题。我们将这个问题置于混合回归中,每个客户端都有有限的本地数据,这些数据是从$k$未知回归模型中生成的。我们设计了一种算法,它可以从任何初始化实现全局收敛,并且即使在本地数据量高度不平衡时也可以工作-可能存在仅包含$O(1)$数据点的客户端。我们的算法首先在几个锚客户端(每个客户端都有$\tildeΩ(k)$数据点)上运行矩下降,以获得粗略的模型估计。然后,每个客户端交替估计其集群标签,并根据FedAvg或FedProx改进模型估计。我们的分析的一个关键创新是一个统一的估计的聚类错误,我们证明了一般多项式概念类的VC维的代数几何理论的基础上界定。
2022-06-15 cs.DC cs.LG
Distributed Learning for UAV Swarms
Swansea University(斯旺西大学);Durham University(杜伦大学)
本文研究无人机集群中的联邦学习,针对非独立同分布数据挑战,在MNIST、CIFAR10、EuroSAT和CelebA上比较FedAvg、FedProx、FedOpt和MOON四种聚合方法,发现FedProx在非独立同分布条件下性能最稳定。
2024-10-21 cs.CV cs.LG cs.RO
Communication-Efficient and Drift-Robust Federated Learning via Elastic Net
DGIST(大邱庆北科学技术院);POSTECH(浦项科技大学)
联邦学习(FL)是一种分布式的方法,训练一组本地客户端的全局模型,同时保持数据本地化。它降低了隐私和安全风险,但面临着重要的挑战,包括昂贵的通信成本和客户端漂移问题。为了解决这些问题,我们提出了FedElasticNet,这是一个利用弹性网络的通信高效和漂移鲁棒的FL框架。它重新使用了两种类型的弹性网络正则化器(即,局部模型更新上的$\ell_1$和$\ell_2$损失):(1)$\ell_1$ -范数正则化器稀疏化局部更新以降低通信成本,以及(2)$\ell_2$ -范数正则化器通过限制由于数据异构性而漂移的局部更新的影响来解决客户端漂移问题。FedElasticNet是FL的通用框架;因此,在没有额外成本的情况下,它可以集成到现有的FL技术中,例如,FedAvg、FedProx、SCAFFOLD和FedDyn。我们表明,我们的框架有效地解决了通信成本和客户端漂移的问题。
2022-10-06 cs.AI cs.LG stat.ML
FedBN: Federated Learning on Non-IID Features via Local Batch Normalization
Yale University(耶鲁大学);Princeton University(普林斯顿大学);The Chinese University of Hong Kong(香港中文大学);Iowa State University(爱荷华州立大学);Monash University(蒙纳士大学)
新兴的联邦学习(FL)范式致力于在网络边缘实现深度模型的协作训练,而无需集中聚合原始数据,从而提高数据隐私。在大多数情况下,本地客户端之间独立且相同分布的样本的假设不适用于联邦学习设置。在此设置下,神经网络训练性能可能会根据数据分布而显著变化,甚至损害训练收敛。以前的大部分工作都集中在标签分布或客户端转移的差异上。与这些设置不同,我们解决了FL的一个重要问题,例如,医学成像中的不同扫描仪/传感器、自动驾驶中的不同场景分布(高速公路与城市),其中本地客户端存储与其他客户端相比具有不同分布的示例,我们将其表示为特征移位非IID。在这项工作中,我们提出了一种有效的方法,使用本地批量归一化,以减轻平均模型之前的特征偏移。由此产生的方案,称为FedBN,优于经典的FedAvg,以及国家的最先进的非iid数据(FedProx)在我们广泛的实验。这些实证结果得到了收敛分析的支持,该分析表明,在简化的设置中,FedBN具有比FedAvg更快的收敛速度。代码可在https://github.com/med-air/FedBN上获得。
2021-05-11 cs.LG
Argos: A Decentralized Federated System for Detection of Traffic Signs in CAVs
University of Tehran(德黑兰大学)
本文提出Argos去中心化联邦学习框架,用于车载网络中的交通标志检测,通过轻量级检测器和多种聚合算法在不共享原始数据的前提下实现协作训练,实验验证了其可扩展性与隐私保护能力。
2025-08-18 cs.CV cs.LG
Evaluating Federated Learning approaches for mammography under breast density heterogeneity
GE HealthCare(GE医疗);ENS Paris-Saclay(巴黎-萨克勒大学);IMT Atlantique(亚眠大学);Universidad de Buenos Aires(布宜诺斯艾利斯大学)
本文评估了乳腺密度异质性对乳腺摄影图像分类联邦学习的影响,发现FedAvg在强异质性下表现优异,证明了联邦学习在实际临床应用中的可行性。
2026-05-09 cs.LG
PTOPOFL: Topology-Guided Personalised Federated Learning with Persistent-Homology Client Descriptors
Université Sorbonne Paris Nord(索邦巴黎北大学);LAGA(拉加数学研究所);CNRS(国家科学研究中心);UMR 7539(7539号研究单位);Laboratoire d’excellence Infibrex(卓越实验室Infibrex);Instituto de Hortofruticultura Subtropical y Mediterránea La Mayora (IHSM)(亚得里亚地中海亚热带园艺研究所(IHSM));Universidad de Málaga–Consejo Superior de Investigaciones Científicas(马拉加大学–高级科学研究理事会)
PTOPOFL通过持久同调实现隐私保护的个性化联邦学习,利用拓扑描述符替代梯度通信,提升聚合质量并降低数据重建风险。
2026-10-20 cs.CR cs.DC cs.LG
Graph Federated Learning Based on the Decentralized Framework
Southwest University(西南大学);University of Auckland(奥克兰大学)
针对图联邦学习经典客户端-服务器框架的单点故障、可扩展性差问题,提出引入去中心化框架、基于节点数据相似度确定置信度并线性加权聚合梯度的方法,性能优于FedAvg等现有方法。
2023-07-19 cs.DC cs.LG
FedLBW: A Loss-Based Weighting Strategy for Federated Learning on Non-IID Data in Wireless Networks
Chungbuk National University(忠北国立大学);Bennett University(班尼特大学)
针对无线网络联邦学习面临的非IID数据与客户端弃权问题,本文提出FedLBW算法,以验证损失倒数为权重聚合客户端更新,在多数据集实验中较基线算法实现更高准确率与更快收敛,鲁棒性更强。
2026-08-10 cs.AI cs.DC cs.ET
Free-rider Attacks on Model Aggregation in Federated Learning
Université Côte d’Azur(蔚蓝海岸大学);Inria Sophia Antipolis(法国国家信息与自动化研究所索菲亚安蒂波利斯研究中心);Accenture Labs(埃森哲实验室)
针对联邦学习的搭便车攻击包括伪装对联邦学习过程的参与,其目标是获得最终的聚合模型,而实际上没有贡献任何数据。这种攻击在联邦学习的敏感应用中至关重要,因为这些应用中数据稀缺,模型具有很高的商业价值。本文首次对基于迭代参数聚合的联邦学习方案(如FedAvg或FedProx)的搭便车攻击进行了理论和实验分析,并为这些攻击收敛到公平参与者的聚合模型提供了形式化的保证。我们首先表明,这种攻击的一个简单的实现可以简单地实现在迭代联邦优化过程中不更新局部参数。由于这种攻击可以通过在服务器级采取简单的对策来检测,因此我们随后研究了基于随机更新搭便车参数的更复杂的伪装方案。我们证明了一些实验方案,在iid和非iid设置所提出的策略。最后,我们提供了建议,以避免搭便车攻击在现实世界中的应用程序的联邦学习,特别是在敏感领域的数据和模型的安全性是至关重要的。
2021-02-22 cs.LG stat.ML
MedFL-Stress: A Systematic Robustness Evaluation of Federated Brain Tumor Segmentation under Cross-Hospital MRI Appearance Shift
University of Gujrat, Pakistan(瓜尔杰特大学,巴基斯坦)
本文提出MedFL-Stress框架,通过模拟四个医院的MRI外观偏移,评估FedAvg、FedProx和FedBN在不同医院的鲁棒性,发现FedBN在提升最差医院性能方面表现更优。
2026-11-03 cs.CV cs.LG
Adaptive Federated Learning via New Entropy Approach
School of Artificial Intelligence, Sun Yat-sen University(中山大学人工智能学院);Singapore University of Technology and Design(新加坡科技设计大学)
针对联邦学习中异构客户端Non-IID数据导致传统优化方案性能下降的问题,提出基于熵理论的自适应联邦学习算法FedEnt,通过平均场估计和哈密顿方程推导闭式自适应学习率,在多个真实数据集上实现更优性能与更快收敛。
2024-04-12 cs.DC cs.LG
FedOUI: OUI-Guided Client Weighting for Federated Aggregation
Universitat Politècnica de València(巴塞罗那理工大学);Universitat Jaume I(Jaime I 大学);Openchip & Software Technologies S.L.(Openchip 及软件技术公司)
FedOUI通过OUI指标优化联邦聚合,利用激活结构信息提升异构环境下的聚合质量,优于FedAvg和FedProx等方法。
2026-05-12 cs.LG
Federated Learning for the Design of Parametric Insurance Indices under Heterogeneous Renewable Production Losses
ENSAE IP Paris, CREST UMR 9194(ENSAE巴黎研究所、CREST UMR 9194)
本文提出联邦学习框架,用于在异质可再生能源损失下校准参数保险指数,通过分布式优化实现通用且可扩展的解决方案。
2026-08-13 cs.LG stat.ML
FBFL: A Field-Based Coordination Approach for Data Heterogeneity in Federated Learning
FBFL通过宏编程和领域协调方法,解决联邦学习中的数据异质性问题,提升模型性能和鲁棒性。
2026-03-05 cs.AI cs.LG
FedAVO: Improving Communication Efficiency in Federated Learning with African Vultures Optimizer
Southern Illinois University Carbondale(南伊利诺伊大学卡本代尔分校)
本文提出FedAVO算法,利用非洲秃鹫优化器自动优化联邦学习的客户端选择比例和本地训练轮次,在Non-IID场景下降低通信成本并将全局模型准确率提升6%。
2023-12-09 cs.DC cs.LG
Communication-Efficient Federated Learning with Adaptive Number of Participants
本文提出智能参与者选择机制 ISP,动态确定联邦学习每轮最优客户端数量,在视觉 Transformer、ECG 分类和梯度压缩等设置下实现最高 30% 通信节省且不损失模型质量。
2025-09-23 cs.LG
Understanding Generalization of Federated Learning via Stability: Heterogeneity Matters
Northwestern University(西北大学)
本文利用算法稳定性分析 FedAvg、SCAFFOLD 和 FedProx 在凸与非凸损失下的泛化,揭示客户端数据异质性和收敛行为的关键作用。
2023-06-06 cs.LG
Privacy-Preserving Federated Learning with Differentially Private Hyperdimensional Computing
University of Connecticut(康涅狄格大学);University of California Irvine(加州大学欧文分校)
针对动态IoT场景下差分隐私联邦学习噪声累积致准确率下降的问题,提出融合神经符号计算与DP的FedHDPrivacy框架,主动监控累积噪声仅按需补充,在制造监测场景中性能优于主流联邦框架最高37%。
2025-03-22 cs.AI cs.CR cs.LG
Federated Split BERT for Heterogeneous Text Classification
Ping An Technology (Shenzhen) Co., Ltd.(平安科技(深圳)有限公司)
预训练的BERT模型在许多自然语言处理(NLP)任务中取得了令人印象深刻的性能。然而,在许多现实情况下,文本数据通常分散在许多客户端上,并且由于隐私保护和法规而无法上传到中央服务器。联邦学习(FL)使多个客户端协作训练一个全局模型,同时保持本地数据的隐私。一些研究已经在联邦学习环境中研究了BERT,但是异构(例如,非IID)数据仍然未被充分探索。为了解决这个问题,我们提出了一个框架,FedSplitBERT,它处理异构数据,并通过将BERT编码器层分为局部部分和全局部分来降低通信成本。局部部分参数仅由局部客户端训练,而全局部分参数通过聚合多个客户端的梯度来训练。由于BERT的庞大规模,我们探索了一种量化方法,以进一步降低通信成本,以最小的性能损失。我们的框架是现成的,并兼容许多现有的联邦学习算法,包括FedAvg,FedProx和FedAdam。我们的实验验证了该框架的有效性,它优于基线方法的显着保证金,而量化的FedSplitBERT可以减少$11.9\times$的通信成本。
2022-05-26 cs.AI cs.CL cs.LG
Decentralized Gossip Mutual Learning (GML) for brain tumor segmentation on multi-parametric MRI
针对传统联邦学习中心化聚合的服务器故障与本地性能差问题,提出基于八卦协议的去中心化GML框架,通过互学习适配数据差异,在脑肿瘤分割任务中以低通信开销达到FedAvg相近性能。
2024-01-27 cs.CV cs.LG eess.IV
An Efficient Virtual Data Generation Method for Reducing Communication in Federated Learning
本文提出一种基于数据的通信高效联邦学习框架FedINIBoost,通过借鉴梯度匹配思想构建提取模块生成代理数据集,在更少通信轮次内有效微调全局模型。
2023-06-29 cs.LG
DP$^2$-NILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring
University of Essex(埃塞克斯大学);Durham University(杜伦大学);University of Sheffield(谢菲尔德大学)
本文提出DP2-NILM分布式隐私保护框架,首次在联邦学习NILM中同时优化效用与隐私,测试两种联邦策略及两级差分隐私,在三个真实数据集上开展对比验证。
2022-06-30 cs.AI cs.LG
Inclusive Federated Learning Through Compliance-Weighted Noise Allocation in Healthcare AI
German Cancer Research Center (DKFZ)(德国癌症研究中心);Heidelberg University(海德堡大学);Bilkent University(比尔肯特大学);Indiana University(印第安纳大学);Heidelberg University Hospital(海德堡大学医院);MLCommons
研究针对联邦学习受隐私等问题限制,引入合规感知框架。通过合规评分工具映射噪声尺度,在肺炎和乳腺MNIST数据集上评估策略。结果表明合规加权分配可让低合规机构加入且不损性能,提供可审计噪声控制。
2026-07-15 cs.AI cs.CR cs.DC
Federated Learning with Workload Reduction through Partial Training of Client Models and Entropy-Based Data Selection
University of Sheffield(谢菲尔德大学)
本文提出FedFT-EDS方法,通过客户端模型部分微调与基于熵的数据选择降低联邦学习训练工作负载,在仅用50%数据和三分之一训练时间的情况下实现优于FedAvg和FedProx的性能。
2024-12-30 cs.AI cs.DC cs.LG
PIcsC: Partitioning-Induced Covariate Shift Correction
Institute of Business Administration Karachi(卡拉奇工商管理学院);Habib University(哈比卜大学);St. John’s University(圣约翰大学)
研究针对跨训练数据分区的协变量偏移问题,提出PIcsC框架,利用Fisher信息矩阵近似分区散度并纳入正则化,还引入条件适应机制,实验表明该方法在多数据集及联邦学习基准上有效减轻协变量偏移,提升性能。
2026-07-29 cs.LG
FedSAF: A Federated Learning Framework for Enhanced Gastric Cancer Detection and Privacy Preservation
The University of Sydney(悉尼大学);University of Technology Sydney(悉尼科技大学)
针对胃癌检测数据样本有限及隐私保护问题,提出融合注意力消息传递、Fisher信息矩阵与模型拆分的FedSAF联邦学习算法,在多数据集上优于现有方法。
2025-03-20 cs.LG
Internal Cross-layer Gradients for Extending Homogeneity to Heterogeneity in Federated Learning
The University of Hong Kong(香港大学)
本文提出InCo Aggregation方法,利用服务器模型内部跨层梯度混合增强深层相似性,从而将模型同质化联邦学习方法扩展至系统异质场景,无需额外客户端通信。
2024-02-26 cs.AI cs.LG
FedCME: Client Matching and Classifier Exchanging to Handle Data Heterogeneity in Federated Learning
Sun Yat-sen University(中山大学);South China University of Technology(华南理工大学)
针对联邦学习数据异构导致的本地更新发散问题,本文提出 FedCME 框架,通过匹配分布差异较大的客户端并在本地训练中交换分类器,同时结合特征对齐,在 FMNIST 和 CIFAR10 上优于多种主流方法。
2023-07-17 cs.LG
FedImp: Enhancing Federated Learning Convergence with Impurity-Based Weighting
School of Information and Communication Technology (SOICT), Hanoi University of Science and Technology (HUST)(河内科技大学信息与通信技术学院);School of Science, Engineering and Technology, Penn State Harrisburg, The Pennsylvania State University(宾夕法尼亚州立大学哈里斯堡分校科学、工程与技术学院)
针对联邦学习中非独立同分布数据导致的收敛慢问题,提出FedImp算法,通过量化设备数据信息内容计算聚合权重,在EMNIST和CIFAR-10数据集上显著减少通信轮次并提升性能。
2026-08-18 cs.AI cs.LG
Flexible Clustered Federated Learning for Client-Level Data Distribution Shift
Chongqing University(重庆大学);College of Computer Science, Chongqing University(重庆大学计算机学院);School of Microelectronics and Communication Engineering, Chongqing University(重庆大学微电子与通信工程学院)
针对联邦学习中客户端数据分布偏移导致的性能下降问题,提出柔性聚类联邦学习框架FlexCFL,通过按优化方向分组、新设备冷启动、客户端柔性迁移,兼顾准确率与通信效率,在多个数据集上优于现有相关框架。
2021-08-22 cs.DC cs.LG
Fed-Meta-Align: A Similarity-Aware Aggregation and Personalization Pipeline for Federated TinyML on Heterogeneous Data
本文提出Fed-Meta-Align四阶段联邦学习框架,通过公共数据预训练、串行元初始化、双准则聚合和端侧个性化,在异构IoT故障分类中实现91.27%平均准确率,优于FedAvg和FedProx。
2025-08-15 cs.LG
Client Contribution Normalization for Enhanced Federated Learning
Indian Institute of Technology Jodhpur(印度焦特布尔理工学院);Teradata India Private Limited(Teradata印度私人有限公司)
本文针对联邦学习中非独立同分布数据导致的统计异构性问题,提出利用本地模型的均值潜在表示对客户端贡献进行归一化的方法,显著提升了全局模型在多种FL方案下的准确性与一致性。
2024-11-10 cs.LG
TPFL: Tsetlin-Personalized Federated Learning with Confidence-Based Clustering
Shahid Bahonar University of Kerman(克尔曼沙希德巴霍纳尔大学);Malayer University(马莱耶大学)
本文提出TPFL方法,通过基于置信度的聚类让联邦学习客户端仅共享高置信度类别权重,以减少非IID数据下的错误聚合并降低通信成本,在MNIST、FashionMNIST和FEMNIST上分别取得98.94%、98.52%和91.16%的准确率,优于6种基线方法。
2024-11-24 cs.DC cs.LG
Federated Learning for Semantic Parsing: Task Formulation, Evaluation Setup, New Algorithms
The Ohio State University(俄亥俄州立大学);IBM Research(IBM研究院);IBM T. J. Watson Research Center(IBM托马斯·J·沃森研究中心)
本文提出面向语义解析的联邦学习任务及评估设置,并设计Lorar重加权机制,通过损失缩减调整客户端权重,在FedAvg、FedOPT和FedProx上平均提升4%-20%的MacroAvg性能,小数据客户端增益更大且收敛更快。
2023-05-26 cs.AI cs.CL cs.DB
Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles
Virginia Tech(弗吉尼亚理工大学);Princeton University(普林斯顿大学);Shenzhen Research Institute of Big Data(深圳大数据研究院);Future Network of Intelligence Institute(未来网络智能研究院);Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));University of Oulu(奥卢大学)
提出了一种基于大规模无线连接的联合学习框架,用于设计互联自主车辆(CAV)的自主控制器。在该框架中,控制器使用的学习模型在一组CAV之间协同训练。为了捕捉不同的CAV参与FL训练过程和不同的本地数据质量之间的CAV,提出了一种新的动态联邦邻近(DFP)算法,占CAV的移动性,无线衰落信道,以及不平衡的和非独立的和相同分布的数据在CAV。一个严格的收敛性分析所提出的算法,以确定如何快速的CAV收敛到使用最优的自主控制器。特别是,不同的CAV参与FL过程和不同的CAV数据质量的影响,所提出的DFP算法的收敛性进行了明确的分析。在此基础上,设计了一种基于契约理论的激励机制来提高FL收敛速度。仿真结果表明,基于DFP的控制器能够在不同的交通场景下准确地跟踪目标CAV的速度。此外,结果表明,所提出的DFP算法具有更快的收敛速度相比,流行的FL算法,如联邦平均(FedAvg)和联邦近端(FedProx)。实验结果也验证了契约激励机制的可行性,与基线相比,该激励机制可以使DFP算法的收敛速度提高40%。
2022-06-16 cs.AI cs.LG cs.SY
Anomaly Detection in Double-entry Bookkeeping Data by Federated Learning System with Non-model Sharing Approach
University of Tsukuba(筑波大学)
针对财务审计中敏感日记账数据难以共享的问题,提出基于数据协作的非模型共享联邦异常检测框架,仅需单轮通信,在八家医疗机构数据上优于FedAvg和FedProx,兼顾隐私与性能。
2025-08-01 cs.LG
Understanding Trajectory Heterogeneity in Federated World Model Learning
Wuhan University(武汉大学);China Academy of Information and Communications Technology(中国信息通信研究院);The University of Sydney(悉尼大学);Tsinghua University(清华大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
本研究通过MIMIC-IV临床预测基准,揭示联邦世界模型中轨迹异质性对时间覆盖、算法误差和更新行为的影响,提出多维评估框架。
2026-10-05 cs.CL cs.LG
Agentic Federated Learning: Rule-Based Client and Server Agents for Adaptive Training
Model Engineering College(模范工程学院);APJ Abdul Kalam Technological University(APJ阿卜杜勒·卡拉姆技术大学)
本文提出智能体联邦学习(AFL)框架,通过客户端侧智能体(CSA)和服务器端编排智能体(SSOA)实现自适应训练,在CIFAR-10上优于FedAvg和FedProx,提升准确率、鲁棒性和通信效率。
2026-09-30 cs.LG cs.MA