标签
FedOPAL 提出了一种框架，将视觉提示适配为特征校正器，用于单次联邦学习，通过解析方法实现高效的无梯度聚合，在零服务器端训练成本下，性能显著优于现有解析方法，并可与迭代方法相媲美。
将联邦学习应用于无人机编队的目标检测，无需集中航拍图像即可实现协作训练，在保护隐私和降低带宽的同时，性能接近集中式训练。
本文提出了首个针对带压缩通信的分布式在线凸优化的FTRL型算法，与以往的OGD型方法相比，实现了优雅的理论保证和更优的遗憾界。
本文揭示了在拜占庭鲁棒分布式学习中隐私对泛化误差的非单调影响：在高噪声（强隐私）区域，增加隐私会降低泛化误差；而在低噪声（弱隐私）区域，增加隐私则会恶化泛化效果。
FoggyTrust是FLTrust的分层扩展，它将信任计算本地化到雾节点，提升了异构联邦学习场景下对拜占庭攻击的鲁棒性，在CIFAR-10上针对Krum和Trim等具有挑战性的攻击实现了超过50%的性能提升。
本文提出了将多模态多任务联邦基础模型（M3T FedFMs）集成到车辆网络中的愿景，讨论了训练原理、应用场景、挑战以及基于Waymo开放数据集的案例研究。
本文提出MODIAD，一种面向多模态在线分布式工业异常检测的框架，通过多类智能调度问题和资源高效类级低秩自适应（REC-LoRA）策略解决资源约束问题。在MVTec 3D-AD和Eyecandies数据集上的实验展示了卓越的性能和效率。
本文介绍了“独裁客户端”——联邦学习中一类新型恶意参与者，能够抹去其他客户端的贡献同时保留自己的贡献——并提供了对其影响模型收敛的理论分析，包括多个对抗性客户端的场景。