FedMLP：面向任务异质性的联邦多标签医学图像分类

MDH-FL 方法通过知识蒸馏和对称损失提高联邦学习中全局模型的效率，在医学数据集上表现优越。

FedLSM 框架解决医学图像领域的标签集不匹配问题，分类精度优于其他现有的联邦学习算法。

研究评估了七种常见的联邦学习算法在处理数据异质性方面的能力，特别是在中风复发风险预测中。

FedMLP 框架应对异构数据分布和动态任务，缓解概念漂移问题。

FedIIC 框架通过类内和类间对比学习进行特征提取器的校准，处理耦合问题时性能优越。

提出的混合标签联邦学习方法解决不同中心间标签的空间不匹配问题，验证了理论分析的有效性。

大规模多语言模型的联邦学习系统能够跨异质化数据提供者进行训练，提高全局模型性能。

FedMM 框架通过联邦训练多个单模态特征提取器，增强计算病理学中的多模态信息融合的隐私性。

新方法关注模态异质性和缺失数据问题，元学习框架在缺失模态场景中表现优于基线。

基于混合模型假设的联邦多任务学习方法实现个性化模型学习，获得更高的准确性和公平性。