该研究探讨了联邦学习中集中式与去中心化的区别，强调基础训练协议的不同，并首次系统评估现有工作，指出去中心化联邦学习的潜力尚未充分探索，为未来研究提供新视角。

本文介绍了基于联邦学习的医疗应用，包括心血管疾病预测和医学图像分析。联邦学习在保护隐私的前提下，利用分布式数据训练模型，提高诊断准确性。研究表明，该方法在处理不同数据集时表现优异，并有效应对数据不平衡问题。

本文研究了CFL和DFL在平滑非凸目标上的推广效果，发现CFL优于DFL，部分参与在CFL中优于全参与，DFL需要避免性能崩溃的拓扑要求。作者进行了大量实验验证了理论分析的有效性。

今天，我们将 mastodon.social（由 Eugen 运行的实例）的规模等同于 Mastodon（由 Eugen 创建的软件）的成功程度。这是非常危险的。mastodon.social 越大，它就越像 Twitter。 如果 mastodon.social 阻止你的实例会发生什么吗？数十万人（很快，数百万？）无法选择是否看到您的帖子。 不要采用 Big Tech...