本研究提出了一种新的二阶联邦学习框架GP-FL，旨在降低通信成本。通过高斯过程建模黑塞矩阵，实验结果显示其在多个数据集上优于传统方法，具备线性-二次收敛速率。

该研究解决了联邦学习中存在的推断攻击问题，尤其是在训练和推理阶段的安全隐患。论文提出了一种名为QuanCrypt-FL的新算法，通过结合低比特量化和剪枝技术，在保护隐私的同时大幅降低计算成本，显著提升模型的训练效率和攻击抗性。研究结果显示，QuanCrypt-FL在多个数据集上表现优越，且在加密、解密及推理速度上均显著提升。

该论文综述了联邦学习在计算机视觉中的进展，比较了其与传统训练方法的差异，提出了隐私保护框架FedIIC和MDH-FL方法，探讨了数据异构性和类别不平衡问题，并强调了未来研究方向及其在医疗应用中的潜力。

本文介绍了TurboSVM-FL，一种新的联邦聚合策略，能够加快联邦分类任务的收敛速度，特别适用于客户端仅为下一次全局聚合训练几个时期的情况。在多个数据集上评估，结果显示TurboSVM-FL优于现有的流行算法。

本文综述了联邦学习中的客户端选择技术，包括传统的随机选择和面向性能和资源的选择。还讨论了客户端选择在模型安全增强中的应用，以及动态约束和异构网络中的开放问题和挑战。

本文研究了将FL协调工作外包到区块链等民主网络中的影响，通过仿真评估了区块链的FL运作在CIFAR-10数据集上的准确性和及时性。结果表明，模型不一致对模型的准确性有很大影响，这凸显了合理设计区块链系统的重要性。

介绍了新的联邦学习框架ULDP-FL，通过加权剪裁保证用户级差分隐私，在跨域联邦学习中提供有效的用户级差分隐私，相比基线方法在隐私-效用权衡方面有显著改进。