去中心化个性化联邦学习

个性化联邦学习（PFL）旨在为每个客户端寻找最优个性化模型。

提出了一种分布式的个性化联邦学习（DPFL）框架，通过随机梯度推送和部分模型个性化实现线性分类器的个性化，提升了收敛速度。

基于去中心化通信协议的个性化联邦学习框架利用个性化稀疏掩码为用户的本地模型定制，节省通信和计算成本。

动态个性化联邦学习技术（DyPFL）考虑客户的训练意愿，以提高收敛性能，结果优于替代个性化方法。

基于图结构的结构化联邦学习框架（SFL）通过客户端关系图形信息加强知识共享，能够同时学习全局和个性化模型。

新颖的DA-DPFL稀疏训练方案通过动态聚合减少模型参数，实现能耗降低并提高测试准确性。

DFedAlt个性化联邦学习框架采用分散的部分模型训练方法，解决模型共享一致性不足和通信成本过高的问题。

个性化联邦学习面临统计异质性问题，导致个性化不足和收敛速度慢，当前研究进展旨在解决这些挑战。

使用堆叠泛化的新型个性化方法，创建更适合个体客户数据的多个模型，并评估每位客户对联邦的贡献。

提出的通信高效的分散式联邦学习（DFL）算法解决了由数据和不同训练历史引起的异构学习难题。