标签
本文提出了CRAD，一种用于去中心化联邦学习的基于类别的可靠性感知蒸馏方法，以处理异构架构和非独立同分布数据，在图像分类基准测试上实现了更高的准确率。
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。
对联邦可解释人工智能（FedXAI）的系统性综述，涵盖角色、架构、评估实践和开放挑战。提出了一个多轴分类法，讨论了从模型无关到可解释性设计的方法，强调了标准化和隐私感知评估方面的空白。
本文介绍了TallyTrain，一种通信高效的联邦蒸馏方法，该方法仅传输每个探针的argmax类索引（硬标签共识），而非完整的softmax向量，从而将带宽减少多达三个数量级，同时匹配或超越软标签蒸馏的性能，并帕累托优于FedAvg、FedProx和FedDF等标准联邦学习基线。
本文提出FedFMX，一种基于Fisher路由的专家混合框架，用于联邦类增量学习，通过自适应专家特化解决容量冲突、灾难性遗忘和数据异质性。
本文介绍了BeyondArena，一个统一的表格数据整体基准，并发现现有的表格基础模型仅在小到中等规模的IID数据上表现优异，而传统的基于树和深度学习模型仍然在非IID、大规模和高维数据集上占据主导地位。
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%。
提出联邦嵌套学习（FedNL）框架，将联邦学习重构成三级嵌套优化系统，实现自指记忆的协同训练以支持测试时自适应，从而处理非独立同分布数据和长尾分布。