Parametric Federated Continual Learning and Reproducible Research

联邦持续学习（FCL）结合了联邦学习和持续学习，旨在解决数据隐私和孤岛问题。

FCL通过融合来自不同客户端的异构知识，保留先前任务的知识，同时在新任务上学习。

提出了持续联邦学习（CFL）框架，以处理时变异构数据，具有更快的收敛速度。

FedCIL模型解决了在非独立同分布数据上进行分布式训练导致的性能下降问题。

设计了一种基于原型的对比学习（FedPCL）方法，以提高客户端的知识传递能力。

提出混合联邦和集中式学习（HFCL）框架，以有效训练学习模型并提高学习准确度。

FedSeIT框架通过选择性结合外部客户的模型参数，最大化知识传输并提高表现。

基于蒸馏的联邦继续学习方法减少存储数据量，避免灾难性遗忘问题。

更高效的HFCL方法解决客户端计算资源不足的问题，减少通信开销并提高学习准确率。

引入联邦贝叶斯神经网络（FedBNN）的连续框架，集成本地和历史数据分布的知识，降低遗忘。