联邦学习是一种让多方在不共享原始数据的前提下联合训练机器学习模型的技术，各参与方只在本地训练、交换模型参数或梯度，由服务器聚合，因而常被用于医疗、金融等对数据隐私敏感的领域。目前这一方向的研究重心已从基础的 FedAvg 类算法，逐步转向多模态融合、客户端选择自动化以及与大语言模型结合等更细分的场景。
联邦学习的近期进展
近期的论文反映出几个值得关注的方向：
联邦学习
general · First seen 2026-05-22 · Last seen 2026-11-11 · 95 mentions
Overview
Coverage
10 on file- 研究提出基于线性与仿射子空间约束的梯度反演攻击方法arXiv cs.LG
- 一次性分层联邦聚类框架：面向分布式非IID生物医学数据arXiv cs.LG
- 零知识证明准入机制让 Swarm Learning 兼顾隐私与鲁棒性arXiv cs.LG
- ByzULDP：拜占庭容错联邦学习结合用户级差分隐私的最优收敛算法arXiv cs.LG
- FedReason：用 Claude Opus 5.5 让 LLM 自动选择联邦学习聚合规则arXiv cs.AI
- 观点论文：分布式后训练与去中心化对齐为何应成为一等范式arXiv cs.AI
- 一次性分布式学习新论文：引入服务器数据改进加权平均的 MSE 界arXiv cs.LG
- FedCSGA：基于遗传算法的联邦学习客户端选择方法arXiv cs.LG
- FedReady：用有界 LLM 智能体自动完成联邦学习组网准备arXiv cs.AI
- 2D-FedSMKL：面向模态缺失与站点异质性的混合联邦多模态融合方法arXiv cs.LG