机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

本研究提出了一种新方法FedGraM，通过嵌入格拉姆矩阵来抵御联邦学习中的非针对性攻击，显著提升模型的防御效果。实验结果表明，FedGraM在有限数据样本下优于现有防御方法。

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。

本研究探讨了云计算时代共享敏感数据时的数据隐私保护问题。结合联邦学习和大型语言模型，提出了一种新颖的跨云架构，确保模型更新的隐私和完整性，同时提高训练效率和决策能力。实验结果表明，该方法在准确性和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。

本文提出了一种基于超平面的数据重构攻击方法，针对联邦学习中的隐私保护缺陷。该方法不依赖于客户端数据分布假设，能够在分类任务中完美恢复任意大小的数据批次，从而显著提高安全性。

本研究提出了一种名为FeRA的防御机制，旨在缓解联邦学习中的后门攻击。该机制通过跨客户端的特征表示注意力，区分良性与恶意客户端，显著降低攻击成功率，同时保持主任务的高准确性，适用于资源有限的边缘设备。

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。

本研究提出了FedRS数据集，填补了遥感领域真实联邦数据集的空白。该数据集通过135个客户端反映真实场景，实验结果表明联邦学习显著提升了模型性能，为大规模研究提供了标准化测试平台。

本研究分析了异构设备在联邦学习中的效率、公平性和隐私权衡。比较FedAvg和FedAsync后发现，异步方法加速收敛，但增加了高端设备的隐私损失和公平性问题，提示需优化聚合和隐私机制。

本研究提出人工个性化智能(API)的愿景，探讨如何在保障隐私和效率的前提下，结合联邦学习与基础模型，以满足用户特定需求，为API的发展奠定基础。

本研究针对联邦学习中标签噪声带来的性能下降问题进行探讨，提出了FNBench基准测试，以全面评估在统一设置下现有方法在各种标签噪声模式下的表现。研究表明，噪声标签的存在显著影响联邦学习的性能，并通过引入表征感知正则化方法，提升了现有方法对噪声标签的鲁棒性。

本研究解决了联邦学习(FL)中对客户端攻击缺乏研究的问题，提出了一种通过操控客户端传感器观测来发起的远程Rowhammer攻击新方法。研究发现，针对高频更新的客户端进行攻击能够无后门地导致服务器内存中的位翻转，可能对FL系统的安全性造成严重威胁。