标签
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。