标签
FedImp是一种新颖的联邦学习算法，它使用基于杂质的加权来提升非独立同分布数据设置下的收敛速度，与基线方法相比，在通信轮次上显示出显著减少。
本文提出了一种基于极化码的跨层联邦学习方案，以解决通信瓶颈和信道损伤问题，提供收敛分析和资源优化，并展示了相对于未编码和LDPC基准的性能提升。
本文介绍了一种用于隐私保护联邦 ECG 数据学习的混合量子启发式 Kolmogorov-Arnold 网络，与传统 MLP 相比，在减少参数和通信成本的同时，提高了分类指标。
MedMix是一个语义对齐框架，用于联邦多模态稀疏MoE，通过协调路由和专家专业化解决模态异构性，在医疗AI数据集上实现性能提升。
本文对联邦提示学习（FPL）进行了全面综述，回顾了将联邦学习与大型语言模型相结合的进展，讨论了动机、权衡和未来的研究方向。
This paper proposes FedCoMuon, a federated compositional Muon optimizer for matrix-wise models, along with a variance-reduced variant (FedCoMuon-VR). The authors provide convergence analysis under non-i.i.d. and non-convex settings, showing improved sample complexity over existing FedMuon algorithms, and demonstrate competitive performance on robust federated learning and task-distributed risk-sensitive meta learning.
本文针对基于数字孪生的车载自组网，提出了一种层次化联邦迁移学习（HFTL）方法，通过车辆聚类和数据质量评分机制来解决数据异质性和稀疏性问题，并抵御恶意车辆的攻击。
本文展示了一个重建的基准，用于分析模型投毒和后门攻击下的联邦聚合方法；结果发现 Trimmed Mean 在干净设置下最准确，Krum 在攻击下最鲁棒，同时审计了指标实现并指出了可复现性方面的注意事项。
本文研究了联邦学习在CNC刀具磨损预测中的应用，表明在分布式制造环境中，联邦模型的性能接近集中式学习，并显著优于本地客户端基线。
本文介绍了EDPFRL-IM，一个将好奇心驱动的内在动机融入个性化联邦强化学习的框架，以在稀疏奖励、非平稳环境中改进探索，同时保护客户隐私。
SeFoRA 是一种提出的联邦 LoRA 算法，利用草图聚合来处理异构客户端秩并缓解双线性失配问题。它包含一个具有收敛保证的秩同质变体，并在 RoBERTa-Large 微调上展示了最先进的性能。
本文介绍了基于层的联邦表示学习（SFRL），这是一个通过可学习的层限制映射和二次粘合正则化器来对齐异构局部表示的框架，无需假设共享的全局潜在空间。提出了一种具有收敛保证的分散式算法（Sheaf-FRL），并证明其在与数据异构和模型异构下的协作分类中优于基线方法。
本文介绍了Krum-Proxy，一种选择感知的后门攻击，通过优化对抗性更新以模拟良性几何，绕过联邦学习中基于距离的鲁棒聚合方法（如Krum），在保持干净准确率的同时实现高攻击成功率。
本论文解决了分布式与联邦优化中的七个挑战，提出了ProxSkip和Variance Reduced ProxSkip等方法，并为通信高效、鲁棒且实用的算法建立了理论基础。
本文提出FedLBW，一种联邦学习聚合策略，该策略使用验证损失的倒数而非数据集大小来加权客户端更新，提高了在无线网络中应对非独立同分布数据和客户端掉线时的准确性和鲁棒性。
The Turing Post 的一条推文，推荐亚历山大·荣格（Alexander Jung）的著作《Machine Learning: The Basics》，称其是一本紧凑的复习指南，涵盖数据–模型–损失框架，包括假设空间、模型选择、经验风险最小化（ERM）、正则化、概率模型、聚类、联邦学习、隐私与可解释性。
该arXiv论文提出了用于联邦多智能体系统的协作控制算法，其中包含AI智能体与评审者，应用于网络遥测中的故障检测与原因分析，并通过多时间尺度随机逼近提供收敛性保证。
Presents DG-FedReuse, a federated learning mechanism that reuses age-decayed cached client updates under a proxy-gradient threshold to reduce uplink communication, achieving significant modeled savings with minimal accuracy loss on image classification benchmarks.
本文针对良性及对抗性客户端异质性下的航空发动机剩余使用寿命预测，对联邦学习进行了受控研究，评估了个性化和拜占庭鲁棒聚合方法。研究发现，共享表示个性化缩小了本地与集中式准确率之间的绝大部分差距；使用Krum的鲁棒聚合能有效缓解后门攻击；将两者结合可形成组合防御，在攻击成功率较低的同时，仅付出较小的准确率代价。
这篇arXiv论文评估了在来自三个医疗系统的ICU EHR数据上，对令牌化生成式事件模型（GEMs）进行联邦训练的效果，结果表明联邦学习能够保留集中式训练的大部分性能，并且与传统监督模型相比，提高了跨站点的可迁移性。