联邦学习在人工智能应用中越来越重要，特别是在数据隐私方面。本文总结了个性化联邦学习的研究进展，探讨了统计异质性带来的挑战及其解决方案，包括新方法pFedBreD和pFedLA，强调了在不同客户端间共享模型和保护隐私的技术。这些方法在提升个性化和模型性能方面表现良好。

该文综述联邦图学习研究进展：AdaFGL通过结构非独立同分布划分应对异构性；GTFLAT基于博弈论实现参与方自我加权；FedGKD提取任务特征并改进服务器聚合；其他工作分别分析聚合策略收敛性、提出无偏梯度聚合、FedGL全局自监督聚合、FedFog提升资源利用率、原始对偶优化解决非凸问题、FedGraph用强化学习图采样、FedEgo借自我图与Mixup处理隐私和统计异质性。