边缘AI通过在设备上直接部署AI模型，实现实时数据处理和隐私保护。联邦学习作为去中心化的机器学习方法，允许设备本地训练模型，确保数据安全。尽管面临可扩展性和安全性挑战，联邦学习利用差分隐私等技术降低数据泄露风险，适用于医疗、自动驾驶和智能制造等领域，推动边缘AI的发展。

本研究提出了一种新防御方法FedGraM，通过嵌入的格拉姆矩阵检测和移除非针对性攻击，显著提升了联邦学习模型的性能，实验结果优于现有方法。

本研究探讨了在非洲低资源环境中应用联邦学习进行肺结核诊断的可行性。尽管联邦学习在保护隐私和应对数据稀缺方面具有优势，但其实施面临基础设施不足、网络不稳定和数字素养低等挑战，亟需改善相关条件。

本研究提出了一种新型跨云架构，结合联邦学习与大型语言模型，有效解决云计算时代共享敏感数据的隐私保护问题。实验结果表明，该方法在准确性、收敛速度和数据隐私保护方面优于传统模型。

本文解决了联邦学习中客户端通信和计算能力异质性导致的优化动态失调及目标不一致性问题。研究揭示了异质性通信和计算驱动联邦学习不一致性的本质机制，并提出了联邦异质性意识客户端采样（FedACS）方法，理论证明该方法在动态异质环境中仍能以$O(1/\sqrt{R})$的速率收敛到正确的最优解，实验结果表明其在多个数据集上的性能超过最先进技术4.3%-36%。

本研究提出了一种FeRA防御机制，旨在解决联邦学习中的后门攻击检测问题。该方法通过特征表示注意力有效区分良性与恶意客户端，降低攻击成功率，同时保持高准确性，适合边缘设备应用。

本研究提出了一种原型增强框架，旨在解决联邦学习中因领域异质性导致的全局模型收敛问题。通过引入联邦增强原型对比学习（FedAPC），显著提升了模型的泛化能力和稳健性，实验结果表明其性能优于现有技术。

本文提出了一种新颖的数据重构攻击方法，解决了联邦学习中的数据隐私保护问题。研究表明，该方法在分类任务中能够完美恢复任意大小的数据批次，显著优于现有技术，具有重要的安全性影响。

本研究提出了FedIDA框架，以解决医疗领域人工智能中的公平性问题。该框架结合公平性感知正则化与组条件超采样，提升了多敏感属性下的公平性，同时保持了联邦学习的收敛性。实证结果表明，FedIDA在竞争性预测性能的同时显著提高了模型的公平性。

本研究提出了一种基于聚类的联邦学习方法，旨在解决人工智能物联网中的能耗问题。通过设备标签聚类，显著提高模型训练速度并降低能耗。