本研究提出了一种新方法，解决联合学习中的数据质量问题，如噪声标签和缺失类别。通过自适应噪声清理和基于GAN的合成数据生成，实验表明该方法在MNIST和Fashion-MNIST数据集上显著提升了联邦模型性能，为边缘设备提供了稳健的隐私合规解决方案。

本研究提出了一种联合学习框架，将微型语言模型与神经网络编码结合，以提高在数据隐私保护下的模型训练效率。实验结果表明，NNCodec能够将通信开销降低至1%以下，显著增强协同学习能力。

本研究提出了一种新型联合双重学习方法，克服了现有联合学习在异构数据和通信延迟下的局限性。实验结果表明，该方法在数据不一致的情况下仍能有效更新客户端模型，显著优于现有技术，展示了去中心化数据的潜力。

本研究提出了一种联合学习框架，解决医疗时间序列中的不规则性和缺失问题。通过结合序列和图像表征，设计了三种自监督学习策略，提升了融合效果。结果表明，该方法在真实临床数据集上的分类性能优于七种先进模型，展现出更强的鲁棒性和适应性。

本研究分析了联合学习中模型聚合导致的性能下降，揭示了其对深度神经网络特征变异性和特征与参数耦合的负面影响，并提出了减轻这些影响的策略，为未来联合学习算法的改进奠定基础。

本研究提出FedBSS方法，针对联合学习中的数据异质性引起的客户端漂移问题，通过动态选择样本来缓解样本级异质性，从而提升模型训练的稳定性和性能。

本研究提出了一种异构分布式联合学习框架（HSFL），旨在提高异构边缘设备上的训练效率和模型准确性。通过并行训练客户定制模型，优化计算和传输资源，显著减少延迟并提升收敛速度。该框架在非独立同分布数据环境中经过模拟验证。

本研究提出了一种新方法，结合联合学习与图神经网络，在保护患者隐私的前提下评估中风严重程度。实验结果表明，该方法在预测NIHSS时的误差为3.23，接近专家水平，验证了其有效性。

浙江大学与微软亚洲研究院合作开发了UniMedI框架，解决医学图像多模态数据整合难题。UniMedI通过诊断报告作为公共语义空间，利用“伪配对”技术将2D和3D图像映射到共同空间，实现联合学习。实验显示，UniMedI在图像分类和分割等医学任务中表现出色。

本研究提出了FedMoE框架，用于解决联合学习中的数据异质性问题。该框架利用稀疏激活的混合专家架构，提高个性化联邦学习的效率和灵活性。实验证明，FedMoE在资源受限的环境中能够实现更优的模型训练效果。

本文综合研究和分类了联合学习中的毒化攻击，重点关注了生产环境中的非定向毒化攻击及防御机制。实验证明，即使是简单低成本的防护措施，联合学习也是强健的。同时，提出了新型的数据和模型毒化攻击，并探究了在简单防御机制下的攻击效果。

本论文介绍了一种可联合学习的多尺度文章表示法，通过多种损失函数和跨领域文章迁移学习，取得了ASAP任务中最先进的结果，并在CommonLit可读性奖数据集上表现良好。该方法适用于长文本任务。

本文综合研究和分类了联合学习中的毒化攻击，并关注了生产环境中的非定向毒化攻击及防御机制。实验证明，即使是简单低成本的防护措施，联合学习也是强健的。同时，提出了新型的数据和模型毒化攻击，并研究了在简单防御机制下的攻击效果。

这项研究通过联合学习放射学图像的有效表示和多模态表示，创新性地增强了数据集，并取得了较高的准确度，推进了医学VQA的发展，并在诊断环境中开辟了实用应用的途径。

本文研究了联合学习中的毒化攻击，分类了威胁模型和攻击形式，并关注非定向毒化攻击及防御机制。实验证明，即使是简单低成本的防护措施，联合学习也很强健。同时，提出了新型的数据和模型毒化攻击，并探究了在简单防御机制下的攻击效果。

评估是评估系统达到预期目标的方法。联合学习是一种隐私保护机器学习方法，允许多个参与方共同训练模型。本文回顾了现有研究中的评估目标和指标，并介绍了FedEval平台，提供了联合学习算法的评估框架。讨论了联合学习评估的挑战和未来研究方向。

本文提出了一种使用GCN学习实体和关系表示的联合学习框架，以改善实体对齐。实验表明，该方法在三个跨语言数据集上优于现有方法。

提出了一种基于神经平均场动力学的新型学习框架，用于解决网络扩散的推理和估计问题。该框架可用于联合学习扩散网络的结构和感染概率的演化，具有多样性和鲁棒性，可以在合成数据和真实世界数据上显著优于现有方法的准确性和效率。