Verifying the Consistency of Remote Untrusted Services with Conflict-Free Operations
一组相互信任的客户端将计算服务外包给远程服务器，他们并不完全信任该服务器，该服务器可能会受到攻击。客户端之间不进行通信，并且希望验证远程计算的正确性和服务器响应的一致性。本文提出了一种无分叉的操作验证协议（COP），该协议在服务器正确的情况下确保可线性化，在其他任何情况下都保持分叉的可线性化。所有观察彼此操作的客户端都是一致的，从某种意义上说，它们自己的操作和它们所看到的其他客户端的操作都是可线性化的。如果服务器通过隐藏操作来派生两个客户端，那么这些客户端再也看不到彼此的操作。COP支持无等待的客户端操作，在这个意义上，当与正确的服务器执行时，不冲突的操作可以在不等待其他客户端的情况下运行，从而允许比早期协议更多的并行性。当一个操作导致随后的操作产生不同的输出值的客户端运行it.The文件的客户端的COP的保证给出了一个精确的模型，并包括一个正式的分析，这些都实现了冲突。
2018-03-26 cs.DC
Strategies for Replica Placement in Tree Networks
在本文中，我们讨论和比较几种政策，把副本树网络，服务器容量和QoS的限制。客户端请求是事先已知的，而服务器的数量和位置是要确定的。文献中的标准方法是强制客户端的所有请求都由树中最近的服务器提供服务。我们提出并研究了两项新政策。在第一个策略中，来自给定客户端的所有请求仍然由同一服务器处理，但该服务器可以位于从客户端到根路径上的任何位置。在第二种策略中，给定客户端的请求可以由多个服务器处理。本文的一个主要贡献是评估这些新政策对总复制成本的影响。另一个重要的目标是从理论和实践的角度评估服务器异构性的影响。在本文中，我们建立了几个新的复杂性结果，并提供了几个有效的多项式算法的NP完全的情况下的问题。这些proketistics相比，一个绝对的下限所提供的问题的整数线性规划的解决方案的制定。
2006-11-08 cs.DC
Split Federated Learning: Speed up Model Training in Resource-Limited Wireless Networks
本文提出基于分组的分割联邦学习（GSFL），通过“先分割后联邦”的三步流程在资源受限无线网络中加速AI模型训练，仿真表明其在训练时延上优于分割学习和联邦学习且准确率令人满意。
2023-05-30 cs.DC
Building Regular Registers with Rational Malicious Servers and Anonymous Clients -- Extended Version
本文解决了在同步分布式系统中模拟常规寄存器的问题，其中调用${\sf read}()$和${\sf write}()$操作的客户端是匿名的，而维护寄存器状态的服务器进程可能被理性对手（即，服务器可以表现为\emph{rational malicious Byzantine}进程）。我们首先将我们的问题建模为客户端和理性恶意服务器之间的贝叶斯博弈，其中均衡取决于恶意服务器的决策（行为正确且不被客户端检测到vs向客户端返回错误的寄存器值，并有被检测到的风险，然后被计算排除）。我们证明了这样的平衡存在，最后我们设计了一个协议，实现了定期注册，迫使理性的恶意服务器的行为正确。
2017-04-18 cs.CR cs.DC
RFP: A Remote Fetching Paradigm for RDMA-Accelerated Systems
远程直接内存访问（RDMA）是提高传统客户机-服务器系统性能的有效方法。目前，有两个主要的设计范式的RDMA加速系统。第一种允许客户端直接操作服务器的内存，完全绕过服务器端的CPU。第二种遵循传统的服务器应答范例，它要求服务器将结果写回客户机。然而，第一种方法必须暴露服务器的内存，并且需要对上层软件进行大量的重新设计，这是复杂的，不安全的，容易出错的，并且效率低下。第二种不能实现高的每秒输入/输出操作（IOPS），因为它在服务器端采用出站的RDMA写，这是没有效率的。我们发现，出绑定的RDMA-write和入绑定的RDMA-read的性能是不对称的，后者是前者的5倍。基于这一观察，我们提出了一种新的设计范式命名为远程获取范式（RFP）。在RFP中，服务器仍然负责处理来自客户端的请求。然而，与直觉相反的是，服务器只将结果写入本地内存缓冲区，而不是通过出站RDMA-write将结果发送回客户端，客户端使用入站RDMA-read远程获取这些结果。由于入站RDMA-read比出站RDMA-write具有更高的IOPS，因此我们的模型能够带来比传统模型更高的性能。为了证明RFP的有效性，我们设计并实现了一个RDMA加速的内存键值存储遵循RFP模型。为了进一步提高IOPS，我们提出了一种结合状态检查和结果获取的优化机制。实验结果表明，与现有的内存键值存储模型相比，RFP可以将IOPS提高160…
2015-12-24 cs.DC
Just Talk Once: Communication-Efficient Split Federated LLM Fine-Tuning on Edge Devices
Duke Kunshan University（杜克昆山大学）；The University of Hong Kong（香港大学）
针对边缘设备LLM微调的通信与客户端在线时间瓶颈，提出L型SFT及基于它的一次性SFT框架，实现仅一次通信即可完成微调，显著降低了通信成本和客户端在线时间。
2026-09-02 cs.DC
Asynchronous Multi-Server Federated Learning for Geo-Distributed Clients
Delft University of Technology（代尔夫特理工大学）
针对传统单服务器同步联邦学习的服务器空闲与瓶颈问题，提出首个完全异步多服务器联邦学习架构，客户端仅连最近服务器、服务器间异步更新，在多数据集上精度相当或更高，地理分布场景下收敛时间缩短61%。
2024-06-20 cs.DC cs.LG
Federated Learning for Non-IID Data via Client Variance Reduction and Adaptive Server Update
HCL Technologies（HCL科技公司）
联邦学习（FL）是一种新兴技术，用于协作训练全局机器学习模型，同时保持数据在用户设备上本地化。FL实际实现的主要障碍是用户之间的非独立和相同（非IID）数据分布，这会减慢收敛速度并降低性能。为了解决这个根本问题，我们提出了一种方法（ComFed），它可以增强客户端和服务器端的整个训练过程。ComFed的核心思想是同时利用客户端方差减少技术来促进服务器聚合和全局自适应更新技术来加速学习。我们在Cifar-10分类任务上的实验表明，ComFed可以改进专用于非IID数据的最先进算法。
2022-07-29 cs.DC cs.LG
CycleSL: Server-Client Cyclical Update Driven Scalable Split Learning
Technical University of Munich（慕尼黑技术大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
CycleSL通过循环更新机制提升分割学习的可扩展性和性能，有效缓解客户端漂移和延迟问题。
2025-11-23 cs.DC cs.LG
Distributed Optimization for Client-Server Architecture with Negative Gradient Weights
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
大量数据集和计算资源的可用性使得机器学习和预测分析非常普遍。在这项工作中，我们提出了一个同步算法和架构的分布式优化的隐私要求所提出的应用程序在机器学习。我们提出了一个算法，最近提出的多参数服务器架构。我们考虑一组参数服务器，它们根据从客户端接收的随机梯度来学习模型。客户端是具有私有数据集（引入私有目标函数）的计算实体，其评估随机化梯度并将其上传到参数服务器。参数服务器基于接收到的梯度执行模型更新，并与其他服务器共享模型参数。我们证明，该算法可以优化一个非常一般的架构，涉及$C$客户端连接到$S$参数服务器在任意时变拓扑结构和参数服务器形成一个连接的网络的整体目标函数。
2016-12-19 cs.DC cs.LG math.OC
Understanding Server-Assisted Federated Learning in the Presence of Incomplete Client Participation
Rochester Institute of Technology（罗切斯特理工学院）；The Ohio State University（俄亥俄州立大学）；Wayne State University（韦恩州立大学）；Duke University（杜克大学）
针对不完整客户端参与问题，本文首次从理论上证明传统FL不可PAC学习而SA-FL可恢复可学习性，并提出SAFARI算法，享有线性收敛加速保证，实验验证其显著提升性能。
2024-05-25 cs.DC cs.LG
GAS: Generative Activation-Aided Asynchronous Split Federated Learning
School of Electronic and Information Engineering, South China University of Technology（华南理工大学电子与信息学院）
针对异步分割联邦学习中激活异步传输导致的模型更新偏差问题，提出生成式激活辅助的异步SFL（GAS），通过生成激活来校正更新，并推导更紧的收敛界，实验验证有效性。
2024-12-14 cs.DC cs.LG
Towards Client Driven Federated Learning
Southeast University（东南大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对传统联邦学习服务器驱动模式的局限，提出客户端驱动的联邦学习框架CDFL，让客户端异步发起更新，服务器维护聚类模型并优化估计，实现快速适应新任务，提升性能与计算效率。
2024-05-24 cs.DC cs.LG
Federated Learning via Indirect Server-Client Communications
University of Miami（迈阿密大学）；University of Virginia（弗吉尼亚大学）
联邦学习（FL）是一种通信高效、隐私保护的分布式机器学习框架，近年来得到了大量的研究关注。尽管FL算法的形式不同（例如，同步FL、异步FL）和底层优化方法，几乎所有现有的工作都隐含地假设了通信基础设施的存在，该通信基础设施促进了服务器和客户端之间用于模型数据交换的直接通信。然而，这种假设在许多可以受益于分布式学习但缺乏适当的通信基础设施（例如，在偏远地区的智能传感）。在本文中，我们提出了一种新的FL框架，名为FedEx（FL via Model Express Delivery的缩写），它利用移动运输工具（例如，无人机）来建立服务器和客户端之间的间接通信信道。两个算法，称为联邦快递同步和联邦快递异步，开发取决于是否采用同步或同步调度的运输商。即使间接通信引入异构延迟的客户端的全球模型传播和本地模型收集，我们证明了联邦快递的两个版本的收敛。收敛性分析随后揭示了如何将客户端分配给不同的传输器并设计客户端之间的路由。通过在两个公共数据集上的模拟网络中的实验来评估联邦快递的性能。
2023-02-14 cs.AI cs.DC
Design and Implementation of a Java-Based Client-Server Application
本研究开发了基于Java的群组通信系统GCS，通过CLI实现群组式客户端-服务器通信，聚焦容错、设计模式与VCS运用，为理解分布式系统技术与运行提供参考。
2024-04-15 cs.DC cs.HC
Service Capacity Enhanced Task Offloading and Resource Allocation in Multi-Server Edge Computing Environment
边缘计算环境具有多个边缘服务器和多个服务客户端。在这种环境中，移动服务提供商可以将客户端侧计算任务从服务客户端的设备卸载到边缘服务器上，以减少客户端所经历的服务延迟和功耗。尚未妥善解决的一个关键问题是如何分配边缘计算资源以实现两个优化目标：1）最小化由服务延迟和服务客户端所经历的功耗衡量的服务成本;以及2）最大化由可以长期卸载其计算任务的服务客户端的数量衡量的服务容量。本文将这一长期问题归结为一个随机优化问题，并采用基于李雅普诺夫优化的在线算法求解。这个NP难问题被分解成三个子问题，然后用一套技术来解决。实验结果表明，我们的方法显着优于两个基线方法。
2019-03-12 cs.DC cs.NI
Decentralized Federated Averaging
Federated averaging（FedAvg）是一种高效的分布式训练算法，适用于大量客户端。在FedAvg中，客户端将其数据保存在本地以进行隐私保护;中央参数服务器用于客户端之间的通信。该中央服务器将参数分发给每个客户端，并从客户端收集更新的参数。FedAvg主要是以集中的方式进行研究的，这需要在每次通信中服务器和客户端之间进行大量通信。此外，攻击中央服务器可以破坏整个系统的隐私。在本文中，我们研究了分散的FedAvg与动量（DFedAvgM），这是由一个无向图连接的客户端上实现的。在DFedAvgM中，所有客户端都使用动量执行随机梯度下降，并且仅与其邻居通信。为了进一步降低通信成本，我们还考虑了量化的DFedAvgM。我们证明了（量化）DFedAvgM的收敛性在平凡的假设下，收敛速度可以提高时，损失函数满足Pestan属性。最后，我们数值验证DFedAvgM的有效性。
2021-04-23 cs.DC stat.ML
A Multi-Token Coordinate Descent Method for Semi-Decentralized Vertical Federated Learning
Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系）；Institute for Systems and Robotics, Instituto Superior Técnico（系统与机器人研究所，理工学院）；Department of Computer Science, NOVA School of Science and Technology（科学与技术学院计算机科学系）
本文提出一种多令牌坐标下降法，用于半去中心化垂直联邦学习，通过灵活利用客户端-服务器和客户端-客户端链接，提升收敛效率并适应不同应用场景。
2026-02-05 cs.DC cs.DS cs.LG
SkuareView: Client-Server Framework for Accessing Extremely Large Radio Astronomy Image Data
新的宽视场射电望远镜，如：ASKAP，MWA和SKA;将产生前所未有的光谱成像数据立方体（SIDC）。这就需要采取新的方法来管理数据并向最终用户提供服务。我们提出了一个新的集成框架的基础上的JPEG 2000/ISO/IEC 15444标准，以解决工作与非常大的SIDC的挑战。我们还介绍了开发的j2 k软件，它转换和编码的FITS图像立方体到JPEG 2000图像，铺平了道路，实现目前的框架。
2012-09-10 astro-ph.IM cs.DC
Verifiable Computation with Massively Parallel Interactive Proofs
随着云计算范式的日益突出，对可验证计算的需求变得越来越迫切。可验证计算的概念使弱客户端能够将困难的计算外包给强大但不可信的服务器。用于可验证计算的协议旨在为客户端提供服务器正确执行所请求计算的保证，而不需要客户端自己执行计算。通过设计，这些协议对客户端施加了最小的计算负担。然而，现有的协议要求服务器执行大量的额外簿记，以便使客户端能够容易地验证结果。因此，可验证计算仍然是一种理论上的好奇心，它的协议还没有在真正的云计算系统中实现。我们的目标是利用GPU来降低服务器端的可验证计算速度。为此，我们确定了丰富的数据并行在一个国家的最先进的通用协议的可验证的计算，最初是由于Goldwasser，卡莱和Rothblum，最近扩展Cormode，Mitzenmacher和Thaler。我们在GPU上实现此协议，相对于最先进的顺序实现，获得40- 120倍的服务器端加速。对于基准问题，我们的实现将服务器的速度降低到相对于客户端请求的原始计算的100- 500倍。此外，我们将客户端已经很小的运行时间减少了100倍。同样，我们获得了20- 50倍的服务器端和客户端的加速相关协议针对特定的流问题。我们相信，我们的研究结果证明了使用GPU进行可验证计算的直接实用性，更普遍的是，可验证计算的协议已经足够成熟，可以部署在真正的云计算系统中。
2012-02-22 cs.CR cs.DC
From Server-Based to Client-Based Machine Learning: A Comprehensive Survey
Shanghai Jiao Tong University（上海交通大学）；Alibaba（阿里巴巴）
近年来，移动设备以更强的计算能力和更大的存储空间获得了日益增长的发展。一些计算密集型的机器学习任务现在可以在移动设备上运行。为了利用移动设备上可用的资源并保护个人隐私，已经提出了基于客户端的机器学习的概念。它利用用户的本地硬件和本地数据在移动设备上解决机器学习子问题，只上传计算结果而不是原始数据，用于全局模型的优化。这样的架构不仅可以减轻服务器的计算和存储负担，还可以保护用户的敏感信息。另一个好处是带宽减少，因为各种本地数据可以参与训练过程而无需上传。在这篇文章中，我们提供了一个文献综述的逐步发展的机器学习从基于服务器到基于客户端。我们回顾了一些广泛使用的基于服务器和基于客户端的机器学习方法和应用程序。我们还广泛讨论了这一领域的挑战和未来方向。我们相信，这项调查将对基于客户端的机器学习进行清晰的概述，并为将基于客户端的机器学习应用于实践提供指导。
2021-09-28 cs.DC cs.LG stat.ML
Collaborative Split Federated Learning with Parallel Training and Aggregation
Department of Informatics, Athens University of Economics and Business（信息学院，雅典经济与商业大学）；Munich Research Center, Huawei Technologies Duesseldorf GmbH（慕尼黑研究中心，华为技术杜塞尔多夫有限公司）
针对联邦学习中的计算与通信负担，提出协作式分割联邦学习（C-SFL），将模型分为三部分并在客户端与服务器并行训练聚合，以降低延迟和开销并提升精度。
2025-04-22 cs.AI cs.DC
Accelerating Hybrid Federated Learning Convergence under Partial Participation
University of Miami（迈阿密大学）；University of Virginia（弗吉尼亚大学）
针对部分参与制约混合联邦学习收敛速度的问题，提出FedCLG算法，通过发挥服务器本地训练与梯度引导的双重作用提升收敛效率，实验验证其性能优于现有最优方法。
2024-05-18 cs.DC cs.LG
SwiftCloud: Fault-Tolerant Geo-Replication Integrated all the Way to the Client Machine
客户端逻辑和存储越来越多地用于Web和移动应用程序，以提高响应时间和可用性。目前的方法往往是ad-hoc的，与服务器端逻辑的集成很差。我们提出了一个原则性的方法来集成客户端和服务器端存储。我们支持可合并的和强一致的事务，目标客户端或服务器副本，并提供访问因果一致的快照有效。在出现基础架构故障时，客户端辅助的故障切换解决方案允许客户端立即恢复执行，并无缝访问一致的快照，而无需等待。我们在SwiftCloud中实现了这种方法，SwiftCloud是第一个将地理复制一直带到客户端机器的事务系统。示例应用程序表明，我们的编程模型在一系列应用领域是有用的。我们的实验评估表明，SwiftCloud提供了更好的容错，并在同一时间可以提高延迟和吞吐量高达一个数量级，相比经典的地理复制技术。
2013-10-11 cs.DB cs.DC
Game of Gradients: Mitigating Irrelevant Clients in Federated Learning
IBM Research-India（IBM印度研究院）
联邦学习（FL）的范例涉及在中央服务器的编排下参与机器学习模型的协作训练的多个客户端。在这种设置中，每个客户端的数据都是私有的，不能传输给其他客户端或服务器。尽管外语教学范式近年来受到研究界的广泛关注，但在外语教学过程中，如何选择合适的交际对象仍是一个亟待解决的问题。中央服务器的学习目标未被充分开发。我们将这些问题称为联合相关客户端选择（FRCS）。由于服务器对每个客户端拥有的数据的性质没有明确的控制，因此在FL设置中选择相关客户端的问题非常复杂。在本文中，我们解决重要的和相关的FRCS问题，即，选择具有相关数据的客户端，检测拥有与特定目标标签相关的数据的客户端，以及校正各个客户端的损坏的数据样本。我们遵循一种原则性的方法来解决上述FRCS问题，并使用合作博弈论中的Shapley值概念开发了一种新的联邦学习方法。为此，我们提出了一个合作的游戏，涉及到客户端共享的梯度。使用这个游戏，我们计算Shapley值的客户端，然后提出基于Shapley值的联邦平均（S-FedAvg）算法，使服务器选择相关的客户端具有高概率。事实证明，S-FedAvg在设计特定算法以解决FRCS问题方面至关重要。最后，我们对图像分类和语音识别任务进行了全面的实证分析，以显示S-FedAvg在监督联邦学习设置的背景下比基线的性能更优越。
2021-10-23 cs.AI cs.DC cs.LG
FedAR: Addressing Client Unavailability in Federated Learning with Local Update Approximation and Rectification
Florida State University（佛罗里达州立大学）
本文提出 FedAR 算法，通过将客户端最新更新作为替代并分配不同权重，解决联邦学习中客户端不可用问题，在非独立同分布数据上实现最优收敛并全面超越现有基线。
2024-07-26 cs.DC cs.LG
Expanding the Reach of Federated Learning by Reducing Client Resource Requirements
Carnegie Mellon University（卡内基梅隆大学）；Google（谷歌）
异构边缘网络上的通信是联邦学习（FL）中的一个基本瓶颈，限制了模型容量和用户参与。为了解决这个问题，我们引入了两种新的策略来降低通信成本：（1）在服务器到客户端发送的全局模型上使用有损压缩;以及（2）联合丢弃，它允许用户在全局模型的较小子集上有效地本地训练，并且还提供了客户端到服务器通信和本地计算的减少。我们的经验表明，这些策略，结合现有的压缩方法的客户端到服务器的通信，共同提供了一个$14\times$减少服务器到客户端的通信，一个$1.7\times$减少本地计算，和一个$28\times$减少上传通信，所有没有降低最终模型的质量。因此，我们全面降低了FL对客户端设备资源的影响，允许训练更高容量的模型，并覆盖更多样化的用户。
2019-01-08 cs.DC cs.LG stat.ML
DisAgg: Distributed Aggregators for Efficient Secure Aggregation in Federated Learning
Anonymous Institution, Anonymous City, Anonymous Region, Anonymous Country（匿名机构，匿名城市，匿名地区，匿名国家）
DisAgg通过分布式聚合器实现高效安全聚合，减少通信轮次和计算开销，提升10万维更新向量处理速度达4.6倍。
2026-05-13 cs.CR cs.DC cs.LG
An authentication protocol based on chaos and zero knowledge proof
Port Knocking是一种通过封闭式防火墙对客户端进行身份验证的方法，并授权其请求的操作，使服务器能够向经过身份验证的客户端提供服务，而无需打开防火墙上的端口。端口爆震的进步导致设计复杂性的增加，阻止端口爆震解决方案实现其潜力。本文提出了一种新的端口敲门解决方案，命名为Crucible，这是一种安全的身份验证方法，具有高可用性和隐身特性，允许服务器和服务保持隐藏和保护。Crucible是一个无状态的解决方案，只需要客户端记住一个命令，服务器的IP和一个选择的密码。该解决方案是作为一种保护服务器免受从端口扫描到零日攻击的方法而提出的。通过混沌系统产生密码散列作为客户端和服务器端的随机预言机。
2020-01-22 cs.CR cs.DC
An Upload-Efficient Scheme for Transferring Knowledge From a Server-Side Pre-trained Generator to Clients in Heterogeneous Federated Learning
Shanghai Jiao Tong University（上海交通大学）；Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Queen’s University Belfast（贝尔法斯特女王大学）
针对异构联邦学习中知识迁移难的问题，提出以预训练生成器为桥梁的FedKTL上传高效方案，通过生成任务相关原型对实现知识迁移，性能优于现有方法且适配云边场景。
2024-08-19 cs.AI cs.DC
Hybrid-FL for Wireless Networks: Cooperative Learning Mechanism Using Non-IID Data
Kyoto University（京都大学）；OMRON SINIC X Corporation（欧姆龙 SINIC X 公司）
提出了一种协作机制，即联邦学习（FL），用于缓解协作机器学习（ML）中由于非独立同分布（non-IID）数据而导致的性能下降。由于移动客户的兴趣和使用的多样性，移动客户的数据通常是非IID的，并且具有非IID数据的FL会降低模型性能。因此，为了减轻由非IID数据引起的降级，我们假设有限数量（例如，少于1%）的客户端允许他们的数据上传到服务器，我们提出了一种混合学习机制，称为Hybrid-FL，其中服务器使用从客户端收集的数据更新模型，并将模型与客户端训练的模型聚合。Hybrid-FL通过启发式算法解决了客户端和数据选择问题，该算法试图选择使用自己的数据训练模型的客户端、将数据上传到服务器的客户端以及上传到服务器的数据的最佳集合。该算法增加了参与FL的客户端数量，使更多的数据聚集在服务器IID中，从而提高了聚合模型的预测精度。评估，其中包括网络模拟和ML实验，表明所提出的计划实现了13.5%的分类精度比以前提出的计划的非IID的情况下。
2020-03-05 cs.DC cs.LG stat.ML
SafeSplit: A Novel Defense Against Client-Side Backdoor Attacks in Split Learning (Full Version)
Technical University of Darmstadt（达姆施塔特工业大学）
SafeSplit是针对分割学习中客户端后门攻击的首个防御方法，通过循环反向分析和双重检测（频域静态分析与旋转距离动态度量）识别并过滤恶意客户端，在保持模型效用的同时有效缓解后门攻击。
2025-02-24 cs.CR cs.DC cs.LG
Truthful Incentive Mechanism for Federated Learning with Crowdsourced Data Labeling
Auburn University（奥本大学）
联邦学习（FL）已经成为一种有前途的范例，其以分布式方式在客户端设备上训练机器学习（ML）模型，而不需要将客户端的数据传输到FL服务器。在机器学习的许多应用中，训练数据的标签需要由人类代理手动生成。在本文中，我们研究了FL与众包数据标记，其中FL的每个参与客户端的本地数据由客户端手动标记。我们考虑客户端的策略行为，这些客户端可能没有在本地数据标记和本地模型计算中做出所需的努力，并且可能向FL服务器误报其本地模型。我们将训练损失的性能界限描述为客户端的数据标记工作，本地计算工作和报告的本地模型的函数。我们设计了真实的激励机制，激励战略客户做出真实的努力，并向服务器报告真实的本地模型。真实的设计利用了训练损失对客户努力和局部模型的非平凡依赖性。在真实的机制下，我们描述了服务器的最优本地计算工作分配。我们评估提出的FL算法与众包数据标签和激励机制，使用实验。
2023-01-31 cs.AI cs.DC cs.LG
Federated Learning with Server Learning: Enhancing Performance for Non-IID Data
National Institute of Standards and Technology（美国国家标准与技术研究院）；University of Maryland（马里兰大学）
针对 Non-IID 数据导致联邦学习性能下降、收敛变慢的问题，提出让服务器利用小型数据集进行辅助学习，并证明其可显著提升准确率与收敛速度。
2023-08-15 cs.DC cs.LG math.OC
Timely Asynchronous Hierarchical Federated Learning: Age of Convergence
University of Maryland, College Park（马里兰大学帕克分校）
本研究针对客户端-边缘-云架构的异步分层联邦学习，提出在固定平均及时性下，将节点划分为常数个集群可概率性保证有限时间收敛，为密集客户端场景提供了收敛性分析。
2023-06-21 cs.DC cs.IT cs.LG
FedAgentBench: Towards Automating Real-world Federated Medical Image Analysis with Server-Client LLM Agents
Department of Engineering Science, University of Oxford（工程科学系，牛津大学）
该研究提出由服务器与医院客户端 LLM 智能体协同驱动的联邦学习框架及 FedAgentBench 基准，覆盖40种算法、201个数据集和6类医学影像场景，评估24个模型的自主编排能力。
2025-09-28 cs.AI cs.CV cs.DC
