标签
本文系统评估了联邦学习下三种生存模型（Cox、DeepSurv、RSF）在异质性乳腺癌数据上的表现，发现联邦学习优于本地训练，且RSF在各客户端间提供了最佳性能平衡。
本文介绍了FedEPD，一个用于长尾数据分布下联邦图学习的框架。它采用能量引导的双解耦方法，将拓扑纯化与语义重校准分离，在基准测试中实现了最先进的性能，准确率提升高达4.97%。
BharatGen 承诺参与 Project Tapestry，这是一个用于构建前沿 AI 模型的开放联合项目，印度借此锚定其在 AI 联盟倡议中的参与。
FedOT提出了一种分块水印和潜在向量变换框架，用于联邦潜在扩散模型的所有权验证和泄露溯源，并防止水印移除攻击。
本文介绍了SCOPE-FL，一种分层联邦学习框架，使用Top Trading Cycle算法来确保客户端选择中的抗策略性和帕累托最优性，通过Shapley值近似进行奖励分配，并基于区块链执行。
本文介绍了DiSan，一个用于分布式智能体协作的隐私保护文本净化框架。通过将源不变的角色内容与源识别的风格解耦，DiSan在多智能体RAG基准上将PII暴露降低20倍，同时保持83%的回答忠实度，优于传统的掩码方法。
提出FedSPC，一种面向个性化联邦学习的模块化校正方法，仅对共享参数应用控制变量校正，在CIFAR-100和Tiny-ImageNet上提升了多种PFL方法的性能。
FedRAN是一种资源感知的分析型联邦持续学习框架，用紧凑的随机特征统计量替代基于梯度的更新，在显著降低通信与计算成本的同时实现高精度。
本文对联邦持续学习（FCL）进行了全面综述，这是一个新兴领域，结合了联邦学习与持续学习，旨在实现分布式与非平稳数据上的终身、自适应且隐私保护的学习。文章提出了一种分类体系，回顾了应用、评估指标及开放挑战。
QSplitFL提出了一种基于DQN的框架，用于在分割联邦学习中选择最优分割点，利用客户端硬件指标适应异构设备。实验表明，在多个数据集和架构上，该方法提高了收敛速度和准确率。
本文提出了HASA，一种面向异构模型联邦学习的异构感知子网分配方法，该方法在固定计算预算下根据客户端异构性分数分配子网宽度，从而提升平均准确率和最差客户端准确率。
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。
提出SSD-FL，一种无服务器半去中心化联邦学习方法，通过有效损失函数和基于Cheeger不等式的迭代聚类优化异构环境中的聚类形成，提升了收敛速度和通信效率。
本文提出CE-FedGNN，一种联邦图神经网络框架，通过不频繁地交换具有度量差分隐私保证的聚合节点表示，实现通信效率和隐私保护，并在基准测试上展示了强劲的性能。
本文提出了PushCen-ADFL，一种通信高效的异步去中心化联邦学习框架，它使用基于质心的消息传递和偏差纠正，在异构条件下提高准确性并降低通信开销。
PrivFusion 是一个隐私保护的多智能体框架，可在联邦训练之前自动协调跨机构的结构化数据集，从而减少人工工作量，并实现对敏感临床数据的协作分析。
本文全面综述并分类了基于人体通信的联邦学习在体载边缘智能中的应用，并提出了一个名为BODYFED-HBC的调度示例。
本文介绍了FederatedRSF，一个用于联邦随机生存森林的Python包，它能处理跨机构的部分重叠医学数据而无需共享原始数据，并在乳腺癌数据上展示了与集中式训练相当的性能。
本文提出了一种面向移动设备的隐私保护联邦推荐系统，采用两阶段流水线，包括候选生成和排序，通过 Kotlin Multiplatform 在 Android/iOS 上实现。