HF-Fed：基于分层的定制化联邦学习框架用于 X 射线成像

CXR-FL 是一种基于深度学习的联邦学习方法，能够保持模型的泛化能力，并对肺部分割数据敏感。

针对磁共振图像重建，提出了一种联邦学习解决方案，利用不同机构的数据，同时保护患者隐私。

提出了交叉模态垂直联邦学习框架，使用基于约束的特征分离方法来减轻模态差异带来的领域漂移问题。

H-FL 框架通过运行时分布重构策略和压缩校正机制，降低通信开销并提供隐私保障，实验结果显示其性能优越。

在真实合作环境下使用联邦学习构建医学成像分类模型，乳腺密度分类模型性能提高了 6.3%。

FedHDC 框架实现了低通信成本和高鲁棒性，收敛速度比 DNN 快 3 倍，显著提高了通信效率。

提出个性化算法优化全局模型，解决不同机构特征漂移问题。

基于量子张量网络的联邦学习框架在不平衡数据分布下表现出更好的泛化性能和鲁棒性。

MDH-FL 方法通过知识蒸馏和对称损失提高全局模型效率，实验证明其在医学数据集上表现优越。