FedAvg
PulseAugur coverage of FedAvg — every cluster mentioning FedAvg across labs, papers, and developer communities, ranked by signal.
- instance of federated learning 95%
- instance of alphaXiv 90%
- used by federated learning 70%
- used by CIFAR-10 70%
- used by General Data Protection Regulation 70%
- instance of Rodrigo Tertulino 70%
- used by Fashion-MNIST 70%
- used by CIFAR-100 60%
- other federated learning 60%
- competes with FedProx 50%
- used by FedProx 50%
- authored by alphaXiv 50%
11 天有情绪数据
-
新的量子遗忘方法加速联邦学习中的数据删除
研究人员开发了一种名为纠缠加权剪枝（EWP）的新方法，用于量子联邦学习，旨在从训练模型中有效删除特定客户端的数据影响。该技术对于遵守GDPR等数据保护法规至关重要，这些法规赋予用户被遗忘其数据的权利。EWP根据模型参数的纠缠和对客户端数据的贡献对其进行评分，从而实现有针对性的剪枝。EWP使用Qiskit实现，其性能与完全重新训练相当，但速度显著更快，以降低的计算成本实现了相似的准确性。
-
FedCoRe框架解决了医疗联邦学习中缺失数据的问题
研究人员开发了FedCoRe，一个用于医疗联邦学习的新框架，解决了缺失数据模态的挑战。FedCoRe通过比较使用可用数据和不使用可用数据所做的预测来学习纠正缺失信息，例如心电图或胸部X光片。该方法旨在恢复因模态缺失而损失的性能，在模拟医疗场景中显示出显著的准确性恢复。
-
新的DFL框架解决了语义通信网络中的偏差问题
研究人员开发了一种新颖的去中心化联邦学习（DFL）框架，旨在减轻异构、多任务语义通信网络中的负迁移和过度共识偏差。所提出的系统采用策略驱动的多路径路由机制，将任务特定特征与共享表示分离，从而保留局部保真度。此外，“边通信边聚合”协议根据任务亲和度校准共识矩阵，使系统能够吸收互补知识，同时阻止不匹配的参数更新。通过Lyapunov漂移分析，该框架确定了平衡拓扑混合和过度共识偏差的最佳聚合深度，从而显著优于现有方法。
-
新AI模型提供高效、私密的生物信号学习
研究人员开发了一种混合量子启发式Kolmogorov-Arnold网络（HQKAN），用于生物信号数据的隐私感知联邦学习。该新网络使用MIT-BIH和INCART数据集的ECG数据，针对心律失常分类与传统多层感知机（MLP）进行了评估。与MLP基线相比，HQKAN在聚合和少数类指标方面表现出改进的性能，同时显著减少了可训练参数和通信成本。
-
联邦学习框架增强了可再生能源损失的参数化保险
研究人员开发了一个联邦学习框架，用于设计可再生能源生产损失的参数化保险指数。该方法允许生产者使用私有数据和Tweedie广义线性模型在本地对其损失进行建模，同时通过联邦优化学习全局指数，而无需共享原始观测数据。该框架能够适应方差和链接函数的变异性，并为次指数协变量分布提供了理论保证。在德国太阳能农场的实验表明，与传统的基于近似的聚合方法相比，FedAvg、FedProx和FedOpt等联邦学习方法在速度和计算可行性方面都显著更快，特别…
-
新的F2STNet框架通过公平性增强了联邦图预测
研究人员推出了一种新颖的联邦学习框架F$^2$STNet，用于图结构时空预测。该模型集成了谱图-傅里叶特征、线性复杂度的状态空间时间编码器和图卷积层。为了解决去中心化环境中的数据异质性问题，F$^2$STNet采用了公平感知联邦聚合（FFA）机制，该机制改进了标准的FedAvg方法。在PeMS04、HZMetro和KnowAir等数据集上的实验表明，在联邦设置下预测精度和公平性得到了提高。
-
新的联邦学习策略应对数据异质性和安全威胁 · 跟踪 5 个来源
研究人员正在开发新的联邦学习 (FL) 策略来应对数据异质性和安全威胁等挑战。FedImp 和 FedTVD 旨在通过根据数据质量和分布对客户端贡献进行加权来提高收敛速度和模型准确性。FedSGA 专注于优化异构环境中的模型拆分，而 STAR-FL 则引入了针对计算机视觉 FL 系统中数据投毒攻击的防御措施。这些进展共同提高了联邦学习的效率、鲁棒性和安全性。
-
新的DG-FedReuse方法旨在提高联邦学习效率
一篇新论文介绍了一种名为DG-FedReuse的机制，该机制通过允许客户端重用旧的缓存更新来提高联邦学习的效率。该方法采用代理梯度门控方法，并考虑缓存年龄和最低新鲜客户端配额等因素来确定何时允许重用。虽然实验显示了上行链路数据节省的巨大潜力，但论文指出，所提出的规则尚未被证明能保证无偏泛化、端到端带宽减少或比现有方法更快的收敛速度。
-
新研究探索先进的联邦学习技术 · 跟踪10个来源
2026年8月在arXiv上发表的多篇研究论文介绍了增强联邦学习（FL）和去中心化FL的新方法。这些方法解决了多模态FL中的模态缺失（Flux）、非凸复合优化（DEPOSITUM）、对抗隐形攻击者的鲁棒声誉机制（R2CFL）、用于收敛的自适应层级学习率（FedA2L）、平衡数据质量和数量（FedTVD）、非IID数据的基于损失的加权（FedLBW）、绕过聚合防御（Krum-Proxy攻击）、子模型FL中的容量分配（HAS-FL）、基于…
-
联邦生成模型在电子健康记录方面展现出潜力
研究人员开发了用于分词电子健康记录的联邦生成事件模型（GEMs），解决了不同医疗系统之间的数据孤岛和性能下降问题。在对三个独立医疗系统的评估中，这些联邦GEMs在临床预测任务上表现强劲，接近集中训练的有效性。研究发现，联邦学习在技术上是可行的，并且能保留大部分集中训练的性能，尤其是在本地训练数据有限的情况下，能带来显著的好处。
-
FedCARE框架增强了医疗个性化联邦学习 · 已追踪2个来源
研究人员开发了FedCARE，一个专为智能医疗应用量身定制的多目标个性化联邦学习新框架。该方法解决了不同医疗机构之间非独立同分布（non-IID）数据、异构临床目标和私有特征空间带来的挑战。FedCARE采用两阶段训练过程：首先，利用基于Pareto优化在公共特征上建立共享的全局骨干网络；其次，允许各个客户端使用其私有数据和本地目标对该骨干网络进行微调，以实现个性化适应。在MIMIC-III和Diabetes 130-US Hospi…
-
新的联邦学习方法解决LLM偏好异质性问题
研究人员开发了FedGD，一种用于大型语言模型个性化奖励建模的新型联邦学习方法。该方法通过学习一个单一的、可适应的奖励模型来解决用户偏好异质性的挑战，而不是为不同的用户组训练单独的模型。FedGD通过群组去偏的客户端采样，有效地抵消了偏好群体不平衡的负面影响，确保学习到的初始化对于有效的个性化保持适应性。
-
FedChronos 实现了时间序列模型的隐私保护联邦微调
研究人员开发了 FedChronos，这是一个用于时间序列基础模型（TSFM）如 Chronos-T5 的联邦微调的新框架。该方法通过仅传输轻量级适配器权重，实现了在数据无法集中化的去中心化环境中的 TSFM 的适应。在印度商品价格数据上的实验表明，加入差分隐私噪声可以作为一种正则化器，将准确性比零样本性能提高 31%，并减少过拟合。
-
联邦PINN在脑肿瘤建模中保护隐私 · 已追踪2个来源
研究人员开发了一种联邦物理信息神经网络（PINN），以解决脑肿瘤生物力学建模中的隐私问题。该方法将联邦学习与基于线性弹性的物理信息损失函数相结合，允许通过FedAvg共享模型权重，而无需暴露原始患者数据。该联邦模型实现了91.4%的总体准确率，优于非联邦基线，并在特定肿瘤类别准确率方面显示出显著改进，同时符合GDPR和HIPAA等法规的规定，维护了数据隐私。
-
新流程增强临床AI模型的隐私性和准确性
研究人员开发了一种用于处理不平衡临床数据上的差分隐私联邦学习的稳健流程，特别适用于心血管风险预测。该流程整合了SMOTETomek技术以解决数据不平衡问题，并采用了FedProx算法来处理非独立同分布（non-IID）数据，其性能优于标准的FedAvg。研究确定了隐私-效用边界上的一个最优区域，表明在保持高临床效用（召回率>77%）的同时，可以维持强大的隐私保证（epsilon 9.0）。这项工作为使用异构医疗数据构建安全准确的诊断工…
-
联邦学习策略在临床死亡率预测方面进行比较
研究人员使用 MIMIC-IV 数据集对几种用于预测院内死亡率的联邦学习策略进行了基准测试。研究发现，FedProx 在 AUC-ROC 和 AUC-PR 方面表现最佳，优于 FedAvg 和 FedAdagrad 等其他策略。然而，没有一种策略在所有指标上都占主导地位，并且集中式基线模型仍然取得了优越的性能。研究还强调，全局模型不能平等地服务于所有个体护理单元，这表明在联邦学习应用中需要关注客户特定的异构性。
-
新型联邦模型通过物理约束增强O-RAN SLA风险预测能力
研究人员开发了Monotone FedNAM，这是一种联邦加性模型，用于预测Open Radio Access Networks (O-RAN)中的服务水平协议 (SLA) 风险。该模型解决了在不汇集敏感的每切片KPI数据的情况下跨基站进行训练的挑战，这对于多租户O-RAN环境至关重要。通过为具有清晰物理关系的KPI纳入物理约束单调样条，Monotone FedNAM确保了模型的可审计性和有效性，消除了非约束模型出现的违规现象，并将约…
-
联邦学习框架经差分隐私验证可用于临床
研究人员已经验证了 FedCVR 框架在真实世界临床环境（特别是心血管数据集）中的联邦学习应用。该框架能够保持临床效用，同时遵守差分隐私标准。研究表明，FedCVR 在保持数据效用方面优于标准的 FedAvg，并在定义的隐私预算下取得了显著的 79.2% 的 F1 分数和 0.96 的 AUC。
-
新研究通过谱控制和低秩方法解决联邦微调问题 · 跟踪2个来源
两篇新研究论文提出了用于联邦参数高效微调（PEFT）的新颖方法，以解决通信瓶颈并提高模型在去中心化数据上的性能。第一篇论文介绍了TRISHUL，一个谱控制框架，它使用共享的冻结基和核范数收缩来稳健地聚合客户端更新，在LLaMA3.2-1B的视觉和语言基准测试中显示出收益。第二篇论文提出了FLITE，它利用带有低秩分解和增量公式的映射网络，实现了通信负载的大幅减少，在CIFAR-100和ResNet-18上表现强劲，即使在极端数据压缩下也是如此。
-
联邦学习框架适配AI模型用于胎儿超声分析
研究人员开发了FedCC，一个用于胎儿超声图像中胼胝体定位的联邦学习框架。该方法专为低资源临床环境设计，通过使用轻量级模块自适应基础模型来避免数据共享。FedCC集成了冻结的DINOv2骨干网络和基于YOLO的检测头，并采用低秩自适应（LoRA）来最小化计算和通信开销。在多中心数据集上的评估证明了FedCC的有效性，实现了0.857的高mAP@50和0.803的F1分数，同时与完全微调相比，显著减少了可训练参数和通信成本。