本研究探讨了协作训练在代码生成中的有效性及记忆化挑战，发现联邦学习在保护数据隐私的同时，能与集中训练相媲美，但推理阶段仍存在数据泄露风险。建议优化多源数据集以促进跨组织合作。

本文介绍了随机展开联邦学习（SURF），通过在图神经网络中实现分布式梯度下降算法进行协作训练，并理论证明其优化器收敛于接近最优区域。实验结果表明该框架在图像分类器的协作训练中表现有效。

本文提出了一种通过标记级别协作训练多个大型语言模型的方法，允许基础模型在生成时调用领域专家模型，从而优化指令遵循和领域特定任务的性能。此外，研究展示了多级对比学习框架，显著提升了跨语言能力，并提出无监督特征分解方法，改善了跨领域和跨语言任务的表现。

本文提出了一种基于卷积神经网络的中文手写字体生成方法，结合协作训练、在线缩放增强和自适应预变形技术，仅需750个配对样本，效果显著优于现有方法。

Learn2pFed是一种基于算法展开的个性化联邦学习框架，解决了数据异质性问题，使每个客户端能够自适应地选择参与协作训练的模型参数部分。Learn2pFed在多个任务中表现优于以往的个性化联邦学习方法。

本研究论文探讨了隐私保护协作训练中使用小型深度学习模型的新方法，以及FL应用中使用transformer模型的必要性。还提出了一种专注于FL应用中计算和通信效率的新的分类法，并讨论了当前广泛使用的FL框架的现状和未来研究潜力。

本文提出了一种适用于协作训练的新算法框架，展示了该方法对 SwAV 和 ALBERT 的预训练效果，成本仅为传统设置的一小部分。最后，提供了一个由 40 名参与者组成的成功的协作语言模型预训练的详细报告。

本文介绍了一种新的联邦学习方法，通过引入局部统计批量规范化（BN）层，使得深度学习架构能够进行协作训练，并具有鲁棒性和降低信息泄漏风险的能力。该方法在肿瘤组织学图像块分类中表现出较好的传输学习效果，相对于之前的技术有很大的优势。