本文提出了一个新的联邦学习框架和算法，利用跨客户的分布式计算能力，在线性设置中高效地降低问题维度。实验证明该方法获得与地面实况表示的线性收敛，并在异构数据的联邦环境中相对于个性化联邦学习方法有经验改进。

本文研究了联邦学习在多跳通信设置中的应用，通过增量聚合方法改善通信效率，提出了几种相关稀疏化方法，并通过数值结果展示了这些算法在减少收敛性问题的情况下，相比常规路由和最先进的稀疏增量聚合方法，提高了15倍和11倍的通信效率。

该文章分析了物联网环境下联邦学习的隐私威胁，并评估了减轻这些威胁的防御措施。强调了量身定制的隐私保护策略的必要性，并探索了轻量级防御措施和新兴技术如区块链，以提高物联网中联邦学习的隐私保护。

本研究提出了一种基于层次框架的联合学习方法 (HF-Fed)，用于优化定制化 X 射线成像，为增强 X 射线成像提供了有希望的解决方案。

个性化联邦学习（PFL）是一种解决异构数据收敛性差的方法。本文提出了使用Moreau包络（FLAME）的交替方向乘子方法进行训练PFL模型的方法，实现亚线性收敛率。实验结果表明，FLAME在模型性能和通信效率方面优于最先进的方法。 Nov, 2023

研究发现传统联邦学习方法在面对数据异质性时表现欠佳。FedAvg中的特征提取器优于大多数个性化联邦学习方法的特征提取器。通过线性变换对特征进行对齐，FedAvg可以超越大部分PFL方法。为解决不匹配问题并增强特征提取器质量，提出了一种名为FedPFT的新型PFL框架。实验证明，FedPFT的性能超过了最先进的方法，提高了7.08%。

该研究论文介绍了 CoLExT，一个用于联邦学习研究的真实测试平台，包含了各种异构边缘设备和自动仪器化的度量采集和可视化功能，并通过初始调查揭示了先前未知的权衡、低效和编程错误。

我们提出了一种名为FL-GLM的联邦学习框架，用于大型语言模型。该框架通过在本地客户端放置输入块和输出块，防止嵌入梯度攻击，并使用密钥加密来防止逆向工程攻击。同时，采用客户端批处理和服务器分层等优化方法来提高训练效率。实验结果表明，FL-GLM与集中式chatGLM模型具有可比较的指标，验证了该联邦学习框架的有效性。

联邦学习在可再生能源应用中有潜力，但也面临挑战。未来研究方向值得关注。

本文介绍了针对不同客户的FedAvg类FL算法的收敛分析，发现相关性对算法的收敛速率有不利影响。提出了一种新的算法CA-Fed，在平衡收敛速度和模型偏差的同时忽略可用性低和相关性大的客户。实验结果表明，CA-Fed在合成数据集和实际数据集上表现更好。