标签
FedFIbOS提出了一种基于Fisher重要性的方法，用于异构联邦学习中的最优子模型选择，该方法具有理论基础，并在非独立同分布设置下比现有最先进方法准确率提高约10%。
本文介绍了pFedHGP，一种个性化的联邦学习方法，使用层级高斯过程对异构分布式系统进行概率建模，同时通过联邦变分推断保护隐私。
一家北约支持的初创公司Scaleout Systems正在使用小型AI模型和联邦学习，使无人机能够在战场环境中自主识别和攻击目标，并利用边缘计算实现实时更新。
FedPGT 提出了一种用于车载联邦学习的渐进梯度传输方案，以应对时变信道，在动态车载环境中实现了精度提升和误差降低。
本文提出了一种自适应贝叶斯合作伙伴选择（ABPS），这是一种点对点联邦学习框架，利用贝叶斯方法自适应选择合作伙伴，以在异构医疗环境中减少通信成本同时保持准确性。
本文提出了一种框架，通过聚合规则传播局部后验事件，在一次性联邦贝叶斯模型中部署一致安全证书，特别针对联邦平均算法。
该论文提出了一种联邦随机双层优化算法，仅使用一阶梯度以避免二阶矩阵计算，从而减少运行时间，并引入了一种新颖的学习率机制，通过实验进行了验证。
本文介绍了SWB-DM，一种用于联邦学习的鲁棒聚合方法，该方法结合了切片瓦瑟斯坦重心和延迟动量缓存，以有效处理拜占庭攻击和部分参与问题。
本文介绍了 FedV-KGQA，这是一个针对垂直分区知识图谱的多跳问答联邦系统，分享了实证发现、设计经验和交互原型。
本文提出FLoKD，一种用于无线网络上联邦LoRA微调LLM的自适应知识蒸馏框架，可将通信开销降低50-65%，同时保持竞争性能。
本文介绍了一种用于通信高效联邦LoRA微调的自适应相位切换方法，在保持大型语言模型性能的同时，实现了高达40.5%的通信成本往返节省。
本文提出了FedTAR，一种针对基于MoE的大型语言模型的任务感知联邦微调方法，该方法通过将本地更新与任务偏好对齐，以在异构数据下保留专家专业化并提高性能。
本文探讨了去中心化AI作为中心化系统替代方案的概念，并回顾了联邦学习和分布式计算的研究，这些研究可能实现AI的集体所有权。
本文提出了Fed-Equilibrium，一个联邦学习框架，利用拓扑帕累托控制来平衡临床网络中的鲁棒性和公平性，确保少数节点能够达到与主要枢纽节点相当的收敛性。
本文提出α-split，一种用于联邦学习中差分隐私的双池分配方法。该方法解决了语音大语言模型中的跨组件预算崩溃问题，提升了模型效用并增强了对各类攻击的安全性。
本文提出了一种用于室内火灾检测的联邦学习方法，通过压缩更新和轮换协调器，解决了带宽限制、拜占庭攻击和固定服务器问题。
本文介绍了FANS，一个基于超网络的异构联邦学习框架，该框架学习一个共享架构空间，并使用并行训练结合自蒸馏来优化跨多样设备的模型选择。
FedSubMuon是一种通信高效的联邦LLM微调方法，它在结构化子空间内优化紧凑系数矩阵，以减少上传成本同时保持强劲性能。
CALM 提出了一种用于去中心化联邦学习的方法，该方法利用类内一致性和标签门控分歧调制来处理非独立同分布数据，改进了教师加权和蒸馏信任，而无需额外的通信开销。
本综述对从欧几里得数据到图结构数据的协作学习进行了全面研究，旨在整合这一新兴领域并识别开放性挑战。