#联邦学习

一篇联邦学习理论论文，提出的 PF-LSA 算法不用预知异质性程度，就能同时拿到个性化收敛和线性加速两种保证，做 TD 学习的可以看看。

一篇联邦学习理论论文，思路挺巧：不靠人为定权重，而是从客户端之间的分歧里反推出该信谁，医学影像实验里直接追平 oracle。

这篇 arXiv 论文提出 PI-SME，把梯度反转攻击的代理模型从单点升级成路径积分近似，在 CIFAR-100 和 FEMNIST 上重建私有图像比之前的基线更准。做联邦学习隐私的可以看看。

一篇联邦学习安全方向的论文，PoCoFL 用零知识证明让客户端和聚合器的行为都可验证，四种 FL 场景都有实现，做隐私计算可以看看。

这篇论文解决了移动网络中联邦学习的传输问题，提出了将异步更新转换为聚合传输的解决方案。

一篇通信方向的联邦学习论文，FedOAG 解决了弱信道拖累收敛、衰落模型失配的问题，理论证明了 O(1/√T) 最优速率，做边缘联邦学习可以看看。

联邦学习又出新优化思路：让所有客户端沿同一条预测路径算梯度，通信量和 FedAvg-M 一样但聚合方向是无偏的，还附理论收敛证明，做分布式训练的可以看看。

婴儿早筛的训练数据分散在各医院，这篇论文用联邦学习加不确定性加权解决了数据不能集中的问题，做法很实用。

发策略梯度也会泄露原始轨迹，这篇 TRACE 攻击 3-4.5ms 就能重建一帧，做联邦具身训练的得看看防御部分。

分布式训练里投毒攻击会让公平性机制反被利用，这篇论文给出加权方案，理论证明加实验都有，做联邦学习的人可以看看。

想了解如何解决联邦学习中的非独立同分布数据聚类问题，可以看看这篇论文提出的 FedDCN 方法。

这篇论文提出了BPI指标，解决了去中心化联邦学习中拜占庭节点放置的关键问题，比传统基于节点中心性的启发式方法更准确。

联邦学习遇到非独立同分布数据时，LIGHTYEAR用NTK判断哪些更新对你有用，比单纯比参数靠谱，五个数据集上都赢了。

这篇论文给去中心化下了个清晰定义，还搞了两个新指标，能自动算系统去中心化程度。搞联邦学习或区块链的可以看看，比之前那些模糊说法靠谱。

联邦学习调LoRA的朋友看这篇，它告诉你A和B该共享哪个，还给了个训练前就能算的指标，省得瞎试。

卫星联邦学习老被轨道数据不均衡坑，FedOrbit 用分层聚合和自适应分解，在遥感基准上最高提了 16 个点，做边缘 AI 的可以看看。

FedDOSE用联邦学习处理多中心脑影像数据，在ABIDE和ADHD-200上自闭症、多动症识别都超过现有方法，做医疗AI的可以看看。

SSTQ把向量量化做得更省位，联邦学习通信开销和隐私保护能兼得，比vqSGD那类老方法更有效。

这个新框架把联邦学习和分割学习结合起来，用量化省电，还能控制精度，比传统方法更适合手机这类设备跑大模型。

这篇论文提出了FLAMECHE，让聚类联邦学习也能用上加密保护，不用再牺牲隐私换效率。

联邦脑电训练怕泄露？这篇用掩码安全聚合在Flower上实现，TUH EEG验证，半诚实开销最低。

FedDAB用两阶段方法检测恶意更新，比CRFL和FLTrust更有效，理论收敛有保证。

这篇论文提出了联邦学习框架，让不同机构在不共享数据的情况下一起训练故障预测模型，效果和集中训练差不多，挺实用的。

这个框架用Gossip历史做共识，不用区块链，训练质量不差还能抗恶意节点，适合想搞去中心化联邦学习的人看看。

这篇论文提出了FedKT-CSD，通过预训练自编码器生成合成数据，同时提供差分隐私保护，在异质性数据下性能不输无隐私方法。