本研究解决了存在模型异构和数据受损客户端的稳健联邦学习任务。提出了一种新颖的稳健非对称异构联邦学习框架（RAHFL）和增强多样性的监督对比学习技术，以提高模型在面对不同数据损坏模式时的韧性和适应性。实验结果表明，该方法在多种复杂的联邦学习环境中具有显著的有效性和稳健性。

本文针对当前无人机辅助联邦学习主要专注于单任务的不足，提出了一种无人机群基于多任务的联邦学习框架，以应对灾害救援中的多变需求。通过引入任务关注机制和任务亲和度度量，动态评估任务重要性并促进任务知识共享，从而提高资源分配效率和模型的泛化能力。

本研究提出了一种新型联邦学习算法FedCGS，旨在解决传统方法中的高通信成本和隐私风险。该算法通过预训练模型捕获全局特征，实现一次性训练，表现优异，具有广泛的应用潜力。

该研究分析了联邦学习中集中式与去中心化的差异，评估并分类了现有研究，指出文献中的关键空白，特别是去中心化联邦学习的潜力尚未充分挖掘，为未来研究提供了新视角。

本研究提出了一种分布式分层联邦学习框架，旨在解决未来6G通信系统中非地面网络的效率和隐私问题。该框架通过高空平台整合低轨道卫星与地面客户端的训练，显著提升模型准确性并降低延迟。

本研究提出了一种异构联邦学习方法HFedCKD，解决了静态建模问题，提升了客户端贡献评估的公平性，缓解了低参与率导致的知识偏差，增强了模型的性能和稳定性。

本研究针对联邦学习中的数据异质性问题，提出了一种几何引导的数据生成方法，通过全局几何形状指导新样本生成，显著提升模型性能。实验结果表明，该方法在标签偏差与领域偏差共存的情况下优于现有方案。

本研究主要解决了联邦学习中决策过程解释和生成解释可靠性评估的挑战。提出的不确定性感知可解释联邦学习（UncertainXFL）框架能够在联邦学习的背景下为决策过程生成解释，并评估这些解释的不确定性。实验结果表明，UncertainXFL在模型和解释的准确性上都超过了现有技术，提升了2.71%和1.77%。

本研究解决了个性化联邦学习(PFL)中由于客户端本地数据分布差异导致模型性能不佳的问题。论文提出了一种新颖的方法，即基于图注意力网络的个性化联邦学习(pFedGAT)，该方法捕捉客户端之间的潜在图结构并动态确定其他客户端对每个客户端的重要性，从而更细致地控制聚合过程。实验结果表明，pFedGAT在多种数据分布场景下的性能优于十二种最新方法。

本研究提出了一种一次性聚类联邦学习（OCFL）算法，旨在解决个性化模型交付中的客户端聚类问题。该算法通过计算客户端梯度的余弦相似度，自动检测最佳聚类时机。实验结果表明，其在多个任务中表现优异，具有实用价值。