该论文介绍了一个解决数据异构性和隐私保护挑战的联邦迁移学习框架，利用多个异构源数据集的信息增强目标数据集上的学习能力。提出了“联邦差分隐私”的概念，为每个数据集提供隐私保证。研究了一维均值估计、低维线性回归和高维线性回归三个统计问题。展示了联邦差分隐私是介于本地和中央模型差分隐私之间的中间隐私模型。强调了数据异构性和隐私在联邦学习中的基本成本和跨数据集的知识迁移的好处。

该研究介绍了一种基于元素权重聚合的联邦学习方法（EWWA-FL），旨在优化学习性能和加速收敛速度。实验证明了该方法在各种测试中的精确度和收敛速度显著改进。

本研究探讨了分布式学习系统中的毒化攻击和防御交互，特别是在使用深度学习进行无线信号分类的下一代通信（NextG）的背景下。通过利用地理分散的客户端，全局模型的训练在无需客户端交换数据样本的情况下进行，用于保护现有用户识别，促进频谱共享。为了解决恶意客户端的存在，本文采用主动防御机制，对参与分布式学习系统的客户端进行准入或拒绝决策。结果提供了保护NextG通信中分布式学习系统免受毒化攻击的新型操作模式洞察。

本文介绍了一种有效的联邦图异常检测框架（FGAD），通过引入异常生成器来训练强大的异常检测器。通过学生模型提取知识，保持本地模型的个性并减轻非独立同分布问题的影响。设计了协作学习机制，降低通信成本。实证结果表明FGAD方法在非独立同分布图上的图异常检测任务中具有优越性和效率。

提出了一种名为 KoReA-SFL 的新型 Split Federated Learning 方法，通过多模型聚合机制减轻因异构数据引起的梯度发散，并采用知识重放策略解决灾难性遗忘问题。KoReA-SFL 在云服务器中维护多个分支模型部分，用于局部训练和分支部分之间的知识共享，在非独立同分布和独立同分布的情况下实验结果表明，KoReA-SFL 相较于传统的 SFL 方法具有显著的测试准确率提升（最高提升 23.25%）。

通过KDk框架、知识蒸馏和k-匿名性，可以在竖直分割数据的联邦学习场景中防御标签推断攻击，准确度降低60%以上。

该文章介绍了一种新的技术，用于检测和缓解联邦学习系统中的数据注入攻击。该方法是一个本地方案，在算法收敛时进行缓解。通过仿真实验表明，当协调节点检测到并隔离所有攻击者时，模型会恢复并收敛到可信模型。

研究人员通过引入联邦学习提出了一种去中心化架构，用于辨别网上的辱骂语言，保护用户隐私。他们在四个公开可用的英语基准数据集上进行了训练，并展示了初步的英语和西班牙语跨语言实验。研究结果表明，所提出的模型融合方法在所有数据集上优于基准方法，并且能够保护隐私。

本文介绍了FedGraph联邦学习框架，使用智能图采样算法和跨客户卷积操作解决图学习挑战，实现数据隐私保护和更好性能。实验结果显示FedGraph优于现有工作，收敛速度更快，准确性更高。

本文介绍了一种基于UMAirComp框架的边缘联邦学习方式，通过模拟波束成形上传本地模型参数并更新全局模型参数，降低通信延迟和成本。提出了PAM和AGP算法，解决非凸非光滑损失约束下的大规模优化问题。在边缘联邦学习系统中获得较小的误差。测试结果表明UMAirComp系统对自主驾驶任务更敏感。