Logo
Project Icon

Awesome-FL

联邦学习资源汇总与最新研究进展

Federated LearningArtificial IntelligenceMachine LearningData MiningComputer VisionGithub开源项目

该页面汇总了联邦学习领域的重要资源，包括顶级期刊与会议中的论文、框架、数据集、调研、教程和课程。同时涵盖了联邦学习在图数据和表格数据上的应用，以及在人工智能、机器学习、数据挖掘等多个领域的研究成果。通过该页面，用户可以追踪最新的联邦学习论文更新，并有机会参与讨论和贡献资源。

访问官网访问官网GithubGithub
介绍相关项目

联邦学习资源

Stars Awesome License

目录

我们使用另一个项目自动跟踪联邦学习论文的更新，如果需要，请点击 FL-paper-update-tracker。

更多资源将会添加到仓库中。请随时通过提交issue报告、新建pull request，或发送邮件至im.young@foxmail.com来建议其他关键资源。如果你想与更多联邦学习领域的朋友交流，请加入QQ群[联邦学习交流群]，群号为833638275。祝阅读愉快！

论文

类别

  • 人工智能 (IJCAI, AAAI, AISTATS, ALT, AI)

  • 机器学习 (NeurIPS, ICML, ICLR, COLT, UAI, Machine Learning, JMLR, TPAMI)

  • 数据挖掘 (KDD, WSDM)

  • 安全 (S&P, CCS, USENIX Security, NDSS)

  • 计算机视觉 (ICCV, CVPR, ECCV, MM, IJCV)

  • 自然语言处理 (ACL, EMNLP, NAACL, COLING)

  • 信息检索 (SIGIR)

  • 数据库 (SIGMOD, ICDE, VLDB)

  • 网络 (SIGCOMM, INFOCOM, MOBICOM, NSDI, WWW)

  • 系统 (OSDI, SOSP, ISCA, MLSys, EuroSys, TPDS, DAC, TOCS, TOS, TCAD, TC)

  • 其他 (ICSE, FOCS, STOC)

事件 | 会议 | 2024-2020 | 2020 之前 | | ------------------------------------------------------------ | ------------------------------------------------------------ | ------------------------------------------------------------ | | [IJCAI](https://dblp.uni-trier.de/search?q=federate%20venue%3AIJCAI%3A) | [23](https://www.ijcai.org/proceedings/2023/), [22](https://www.ijcai.org/proceedings/2022/), [21](https://www.ijcai.org/proceedings/2021/), [20](https://www.ijcai.org/proceedings/2020/) | [19](https://www.ijcai.org/proceedings/2019/) | | [AAAI](https://dblp.uni-trier.de/search?q=federate%20venue%3AAAAI%3A) | [24](https://dblp.org/db/conf/aaai/aaai2024.html), [23](https://dblp.org/db/conf/aaai/aaai2023), [22](https://aaai.org/Conferences/AAAI-22/wp-content/uploads/2021/12/AAAI-22_Accepted_Paper_List_Main_Technical_Track.pdf), [21](https://aaai.org/Conferences/AAAI-21/wp-content/uploads/2020/12/AAAI-21_Accepted-Paper-List.Main_.Technical.Track_.pdf), [20](https://aaai.org/Conferences/AAAI-20/wp-content/uploads/2020/01/AAAI-20-Accepted-Paper-List.pdf) | - | | [AISTATS](https://dblp.uni-trier.de/search?q=federate%20venue%3AAISTATS%3A) | [24](http://proceedings.mlr.press/v238/), [23](http://proceedings.mlr.press/v206/), [22](http://proceedings.mlr.press/v151/), [21](http://proceedings.mlr.press/v130/), [20](http://proceedings.mlr.press/v108/) | - | | [ALT](https://dblp.uni-trier.de/search?q=federate%20streamid%3Aconf%2Falt%3A) | 22 | - | | [AI](https://dblp.uni-trier.de/search?q=federate%20streamid%3Ajournals%2Fai%3A) (J) | - | - | | [NeurIPS](https://dblp.uni-trier.de/search?q=federate%20venue%3ANeurIPS%3A) | [23](https://openreview.net/group?id=NeurIPS.cc/2023/Conference#tab-accept-oral), [22](https://papers.nips.cc/paper_files/paper/2022), [21](https://papers.nips.cc/paper/2021), [20](https://papers.nips.cc/paper/2020) | [18](https://papers.nips.cc/paper/2018), [17](https://papers.nips.cc/paper/17) | | [ICML](https://dblp.uni-trier.de/search?q=federate%20venue%3AICML%3A) | [23](https://icml.cc/Conferences/2023/Schedule?type=Poster), [22](https://icml.cc/Conferences/2022/Schedule?type=Poster), [21](https://icml.cc/Conferences/2021/Schedule?type=Poster), [20](https://icml.cc/Conferences/2020/Schedule?type=Poster) | [19](https://icml.cc/Conferences/2019/Schedule?type=Poster) | | [ICLR](https://dblp.uni-trier.de/search?q=federate%20venue%3AICLR%3A) | [24](https://openreview.net/group?id=ICLR.cc/2024/Conference), [23](https://openreview.net/group?id=ICLR.cc/2023/Conference), [22](https://openreview.net/group?id=ICLR.cc/2022/Conference), [21](https://openreview.net/group?id=ICLR.cc/2021/Conference), [20](https://openreview.net/group?id=ICLR.cc/2020/Conference) | - | | [COLT](https://dblp.org/search?q=federated%20venue%3ACOLT%3A) | [23](https://proceedings.mlr.press/v195/) | - | | [UAI](https://dblp.org/search?q=federated%20venue%3AUAI%3A) | [23](https://www.auai.org/uai2023/accepted_papers), [22](https://www.auai.org/uai2022/accepted_papers), [21](https://www.auai.org/uai2021/accepted_papers) | - | | [Machine Learning](https://dblp.uni-trier.de/search?q=federate%20streamid%3Ajournals%2Fml%3A) (J) | 24, 23, 22 | - | | [JMLR](https://dblp.uni-trier.de/search?q=federated%20streamid%3Ajournals%2Fjmlr%3A) (J) | 23, 22 | - | | [TPAMI](https://dblp.uni-trier.de/search?q=federated%20streamid%3Ajournals%2Fpami%3A) (J) | 23, 22 | - | | [KDD](https://dblp.uni-trier.de/search?q=federate%20venue%3AKDD%3A) | [23](https://dl.acm.org/doi/proceedings/10.1145/3580305), [22](https://kdd.org/kdd2022/paperRT.html), [21](https://kdd.org/kdd2021/accepted-papers/index), [20](https://www.kdd.org/kdd2020/accepted-papers) | | | [WSDM](https://dblp.uni-trier.de/search?q=federate%20venue%3AWSDM%3A) | [24](https://www.wsdm-conference.org/2024/accepted-papers/), [23](https://www.wsdm-conference.org/2023/program/accepted-papers), [22](https://www.wsdm-conference.org/2022/accepted-papers/), [21](https://www.wsdm-conference.org/2021/accepted-papers.php) | [19](https://www.wsdm-conference.org/2019/accepted-papers.php) | | [S&P](https://dblp.uni-trier.de/search?q=federated%20streamid%3Aconf%2Fsp%3A) | [23](https://sp2023.ieee-security.org/program-papers.html), [22](https://www.ieee-security.org/TC/SP2022/program-papers.html) | [19](https://www.ieee-security.org/TC/SP2019/program-papers.html) | | [CCS](https://dblp.uni-trier.de/search?q=federate%20venue%3ACCS%3A) | [23](https://dl.acm.org/doi/proceedings/10.1145/3576915), [22](https://www.sigsac.org/ccs/CCS2022/program/accepted-papers.html), [21](https://sigsac.org/ccs/CCS2021/accepted-papers.html), [19](https://www.sigsac.org/ccs/CCS2019/index.php/program/accepted-papers/) | [17](https://acmccs.github.io/papers/) | | [USENIX Security](https://dblp.uni-trier.de/search?q=federated%20streamid%3Aconf%2Fuss%3A) | [23](https://www.usenix.org/conference/usenixsecurity23/technical-sessions), [22](https://www.usenix.org/conference/usenixsecurity22/technical-sessions), [20](https://www.usenix.org/conference/usenixsecurity20/technical-sessions) | - | | [NDSS](https://dblp.uni-trier.de/search?q=federate%20venue%3ANDSS%3A) | [23](https://www.ndss-symposium.org/ndss2023/accepted-papers/), [22](https://www.ndss-symposium.org/ndss2022/accepted-papers/), [21](https://www.ndss-symposium.org/ndss2021/accepted-papers/) | - | | [CVPR](https://dblp.uni-trier.de/search?q=federate%20venue%3ACVPR%3A) | [24](https://openaccess.thecvf.com/CVPR2024?day=all), [23](https://openaccess.thecvf.com/CVPR2023?day=all), [22](https://openaccess.thecvf.com/CVPR2022), [21](https://openaccess.thecvf.com/CVPR2021?day=all) | - | | [ICCV](https://dblp.uni-trier.de/search?q=federate%20venue%3AICCV%3A) | [23](https://openaccess.thecvf.com/ICCV2023?day=all),[21](https://openaccess.thecvf.com/ICCV2021?day=all) | - | | [ECCV](https://dblp.uni-trier.de/search?q=federate%20venue%3AECCV%3A) | [22](https://www.ecva.net/papers.php), [20](https://www.ecva.net/papers.php) | - | | [MM](https://dblp.uni-trier.de/search?q=federated%20streamid%3Aconf%2Fmm%3A) | [23](https://dl.acm.org/doi/proceedings/10.1145/3581783), [22](https://dblp.uni-trier.de/db/conf/mm/mm2022.html), [21](https://2021.acmmm.org/main-track-list), [20](https://2020.acmmm.org/main-track-list.html) | - | | [IJCV](https://dblp.uni-trier.de/search?q=federate%20streamid%3Ajournals%2Fijcv%3A) (J) | - | - | | [ACL](https://dblp.uni-trier.de/search?q=federate%20venue%3AACL%3A) | [23](https://aclanthology.org/events/acl-2023/), [22](https://aclanthology.org/events/acl-2022/), [21](https://aclanthology.org/events/acl-2021/) | [19](https://aclanthology.org/events/acl-2019/) | | [NAACL](https://dblp.uni-trier.de/search?q=federate%20venue%3ANAACL-HLT%3A) | [22](https://aclanthology.org/events/naacl-2022/), [21](https://aclanthology.org/events/naacl-2021/) | - | | [EMNLP](https://dblp.uni-trier.de/search?q=federate%20venue%3AEMNLP%3A) | [23](https://aclanthology.org/events/emnlp-2023/), [22](https://aclanthology.org/events/emnlp-2022/), [21](https://aclanthology.org/events/emnlp-2021/), [20](https://aclanthology.org/events/emnlp-2020/) | - | | [COLING](https://dblp.uni-trier.de/search?q=federate%20venue%3ACOLING%3A) | [20](https://aclanthology.org/events/coling-2020/) | - | | [SIGIR](https://dblp.uni-trier.de/search?q=federate%20venue%3ASIGIR%3A) | [24](https://dl.acm.org/doi/proceedings/10.1145/3626772), [23](https://dl.acm.org/doi/proceedings/10.1145/3539618), [22](https://dl.acm.org/doi/proceedings/10.1145/3477495), [21](https://dl.acm.org/doi/proceedings/10.1145/3404835), [20](https://dl.acm.org/doi/proceedings/10.1145/3397271) | - | | [SIGMOD](https://dblp.uni-trier.de/search?q=federated%20streamid%3Aconf%2Fsigmod%3A) | [22](https://2022.sigmod.org/sigmod_research_list.shtml), [21](https://2021.sigmod.org/sigmod_research_list.shtml) | - | | [ICDE](https://dblp.uni-trier.de/search?q=federate%20venue%3AICDE%3A) | [23](https://icde2023.ics.uci.edu/papers-research-track/), [22](https://icde2022.ieeecomputer.my/accepted-research-track/), [21](https://ieeexplore.ieee.org/xpl/conhome/9458599/proceeding) | - | | [VLDB](https://dblp.org/search?q=federated%20streamid%3Ajournals%2Fpvldb%3A) | [23](https://vldb.org/pvldb/volumes/17), [22](https://vldb.org/pvldb/vol16-volume-info/), [21](https://vldb.org/pvldb/vol15-volume-info/), [21](http://www.vldb.org/pvldb/vol14/), [20](http://vldb.org/pvldb/vol13-volume-info/) | - | | [SIGCOMM](https://dblp.uni-trier.de/search?q=federate%20venue%3ASIGCOMM%3A) | - | - | | [INFOCOM](https://dblp.uni-trier.de/search?q=federate%20venue%3AINFOCOM%3A) | [23](https://infocom2023.ieee-infocom.org/program/accepted-paper-list-main-conference), [22](https://infocom2022.ieee-infocom.org/program/accepted-paper-list-main-conference), [21](https://infocom2021.ieee-infocom.org/accepted-paper-list-main-conference.html), [20](https://infocom2020.ieee-infocom.org/accepted-paper-list-main-conference.html) | [19](https://infocom2019.ieee-infocom.org/accepted-paper-list-main-conference.html), 18 | | [MobiCom](https://dblp.uni-trier.de/search?q=federate%20venue%3AMobiCom%3A) | [24](https://www.sigmobile.org/mobicom/2024/accepted.html), [23](https://www.sigmobile.org/mobicom/2023/accepted.html), [22](https://www.sigmobile.org/mobicom/2022/accepted.html), [21](https://www.sigmobile.org/mobicom/2021/accepted.html), [20](https://www.sigmobile.org/mobicom/2020/accepted.php) | | | [NSDI](https://dblp.uni-trier.de/search?q=federate%20venue%3ANSDI%3A) | 23([1](https://www.usenix.org/conference/nsdi23/spring-accepted-papers), [2](https://www.usenix.org/conference/nsdi23/fall-accepted-papers)) | - | | [WWW](https://dblp.uni-trier.de/search?q=federate%20venue%3AWWW%3A) | [24](https://www2024.thewebconf.org/accepted/research-tracks/), [23](https://www2023.thewebconf.org/program/accepted-papers/), [22](https://www2022.thewebconf.org/accepted-papers/), [21](https://www2021.thewebconf.org/program/papers-program/links/index.html) | | | [OSDI](https://dblp.org/search?q=federated%20venue%3AOSDI%3A) | 21 | - | | [SOSP](https://dblp.org/search?q=federated%20venue%3ASOSP%3A) | 21 | - | | [ISCA](https://dblp.org/search?q=federated%20venue%3AISCA%3A) | - | - | | [MLSys](https://dblp.org/search?q=federated%20venue%3AMLSys%3A) | [24](https://proceedings.mlsys.org/paper_files/paper/2024), [23](https://proceedings.mlsys.org/paper_files/paper/2023), [22](https://proceedings.mlsys.org/paper_files/paper/2022), [20](https://proceedings.mlsys.org/paper_files/paper/2020) | [19](https://proceedings.mlsys.org/paper_files/paper/2019) | | [EuroSys](https://dblp.uni-trier.de/search?q=federated%20streamid%3Aconf%2Feurosys%3A) | [24](https://2024.eurosys.org/accepted-papers.html), [23](https://2023.eurosys.org/accepted-papers.html), 22, 21, 20 | | | [TPDS](https://dblp.uni-trier.de/search?q=federated%20streamid%3Ajournals%2Ftpds%3A) (J) | 23, 22, 21, 20 | - | | [DAC](https://dblp.uni-trier.de/search?q=federate%20venue%3ADAC%3A) | 22, 21 | - | | [TOCS](https://dblp.uni-trier.de/search?q=federate%20streamid%3Ajournals%2Ftocs%3A) | - | - | | [TOS](https://dblp.uni-trier.de/search?q=federate%20streamid%3Ajournals%2Ftos%3A) | - | - | | [TCAD](https://dblp.uni-trier.de/search?q=federate%20streamid%3Ajournals%2Ftcad%3A) | 23, 22, 21 | - | | [TC](https://dblp.uni-trier.de/search?q=federate%20streamid%3Ajournals%2Ftc%3A) | 23, 22, 21 | - | | [ICSE](https://dblp.uni-trier.de/search?q=federated%20streamid%3Aconf%2Ficse%3A) | [23](https://conf.researchr.org/track/icse-2023/icse-2023-technical-track?#event-overview), 21 | - | | [FOCS](https://dblp.uni-trier.de/search?q=federate%20streamid%3Ajournals%2Ffocs%3A) | - | - | | [STOC](https://dblp.uni-trier.de/search?q=federate%20streamid%3Aconf%2Fstoc%3A) | - | - |

关键词

统计数据：:fire:代码可用且星级>=100 | :star: 引用率>=50 | :mortar_board: 顶级期刊

kg.: 知识图谱 | data.: 数据集  |   surv.: 调查

顶级期刊中的联邦学习

《Nature》及其子刊、《Cell》、《Science》及《Science Advances》、《PNAS》中的联邦学习论文可以通过 WOS 搜索引擎查询。

顶级期刊中的联邦学习
标题所属机构期刊年份资料
PPML-Omics：一种隐私保护的联邦机器学习方法保护患者的组学数据隐私KAUSTScience Advances2024[论文] [代码]
联邦学习不是数据伦理的万灵药TUM; UvANat. Mach. Intell.(Comment)2024[论文]
识别高风险术后胃癌复发患者的稳健联邦学习模型江门中心医院；桂林航天工业学院；桂林电子科技大学；Nat. Commun.2024[论文] [代码]
没有优秀教师的隐私保护联邦蒸馏选择性知识共享香港科技大学Nat. Commun.2024[论文] [PDF] [代码]
欧洲精准肿瘤学中的联邦学习系统：DigiONEIQVIA Cancer Research BVNat. Med. (Comment)2024[论文]
具有Qline架构的多客户端分布式盲量子计算罗马大学Nat. Commun.2023[论文] [PDF]
设备独立的量子随机增强零知识证明中国科学技术大学PNAS2023[论文] [PDF] [新闻]
通过联邦机器学习进行合作和隐私保护的退役电池分类以实现直接回收利润清华大学Nat. Commun.2023[论文]
提倡神经数据隐私和神经技术监管哥伦比亚大学Nat. Protoc. (Perspective)2023[论文]
联邦基准测试医疗人工智能与MedPerfIHU Strasbourg；斯特拉斯堡大学；Dana-Farber癌症研究院；魏尔康奈尔医学院；哈佛大学公共卫生学院；麻省理工学院；英特尔Nat. Mach. Intell.2023[论文] [PDF] [代码]
医疗和健康领域人工智能的算法公平性哈佛医学院；哈佛与麻省理工学院布罗德研究所；Dana-Farber癌症研究院Nat. Biomed. Eng. (Perspective)2023[论文] [PDF]
联邦学习中的差分隐私知识转移清华大学Nat. Commun.2023[论文] [代码]
通过代理模型共享的去中心化联邦学习Layer 6 AI；滑铁卢大学；Vector研究所Nat. Commun.2023[论文] [PDF] [代码]
数据保护合规研究中的联邦机器学习汉堡大学Nat. Mach. Intell.(Comment)2023[论文]
联邦学习预测三阴性乳腺癌新辅助化疗的组织反应OwkinNat. Med.2023[论文] [代码]
联邦学习使得稀有癌症边界检测的大数据成为可能宾夕法尼亚大学Nat. Commun.2022[论文] [PDF] [代码]
联邦学习与土著基因组数据主权Hugging FaceNat. Mach. Intell. (Comment)2022[论文]
用于无监督脑异常检测的联邦解耦表示学习TUMNat. Mach. Intell.2022[论文] [PDF] [代码]
将医疗机器学习从开发转向部署，从模型转向数据斯坦福大学；Greenstone BiosciencesNat. Biomed. Eng. (Review Article)2022[论文]
隐私保护个性化的联邦图神经网络框架清华大学Nat. Commun.2022[论文] [代码] [解读]
通过知识蒸馏实现通信高效的联邦学习清华大学Nat. Commun.2022[论文] [PDF] [代码]
在无线边缘人工智能上领导联邦神经学习厦门大学；南洋理工大学Nat. Commun.2022[论文] [代码] [解读]
用新颖的去中心化联邦学习方法在全球分布的劣质且受保护的私有医疗数据上进行训练伍伦贡大学Sci. Rep.2022[论文]
通过隐私保护的人工智能协作推进COVID-19诊断华中科技大学Nat. Mach. Intell.2021[论文] [PDF] [代码]
联邦学习预测COVID-19患者的临床结果MGH影像中心和哈佛医学院Nat. Med.2021[论文] [代码]
隐私保护合作机器学习中的对抗干扰及其缓解帝国理工学院；TUM；OpenMinedNat. Mach. Intell.(Perspective)2021[论文]
蜂群学习在去中心化和保密性的临床机器学习中的应用 :star:德国神经退行性疾病中心；波恩大学；Nature :mortar_board:2021[论文] [代码] [软件] [解读]
多机构医疗影像的端到端隐私保护深度学习TUM；帝国理工学院；OpenMinedNat. Mach. Intell.2021[论文] [代码] [解读]
通信高效的联邦学习香港中文大学；普林斯顿大学PNAS.2021[论文] [代码]
通过合成X光突破医学数据共享边界亚琛工业大学Science. Advances.2020[论文] [代码]
医疗影像中的安全、隐私保护和联邦机器学习 :star:TUM；帝国理工学院；OpenMinedNat. Mach. Intell.(Perspective)2020[论文]

顶级AI会议和期刊中的联邦学习

联邦学习论文被顶级AI（人工智能）会议和期刊接受，包括 IJCAI（国际人工智能联合会议），AAAI（AAAI人工智能会议），AISTATS（人工智能和统计会议），ALT（算法学习理论国际会议），AI（人工智能）。

顶级AI会议和期刊中的fl | 题目 | 所属单位 | 会议 | 年份 | 资料 | | ------------------------------------------------------------ | ------------------------------------------------------------ | ------- | ---- | ------------------------------------------------------------ | | BOBA: Byzantine-Robust Federated Learning with Label Skewness | UIUC | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/bao24a.html)] [[PDF](https://arxiv.org/abs/2208.12932)] [[CODE](https://github.com/baowenxuan/BOBA)] | | Federated Linear Contextual Bandits with Heterogeneous Clients | University of Virginia | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/blaser24a.html)] [[PDF](https://arxiv.org/abs/2403.00116)] [[CODE](https://github.com/blaserethan/HetoFedBandit)] | | Federated Experiment Design under Distributed Differential Privacy | Stanford University; Meta | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/chen24c.html)] [[PDF](https://arxiv.org/abs/2311.04375)] [[CODE](https://drive.google.com/file/d/1ugYQQEIOwqc1oH8cUe6rf1mV91c-cF_g/view?usp=drive_link)] | | Escaping Saddle Points in Heterogeneous Federated Learning via Distributed SGD with Communication Compression | Princeton University | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/chen24d.html)] [[PDF](https://arxiv.org/abs/2310.19059)] | | Asynchronous SGD on Graphs: a Unified Framework for Asynchronous Decentralized and Federated Optimization | INRIA | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/even24a.html)] [[PDF](https://arxiv.org/abs/2311.00465)] | | SIFU: Sequential Informed Federated Unlearning for Efficient and Provable Client Unlearning in Federated Optimization | INRIA | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/fraboni24a.html)] [[PDF](https://arxiv.org/abs/2211.11656)] [[CODE](https://github.com/Accenture/Labs-Federated-Learning/tree/SIFU)] | | Compression with Exact Error Distribution for Federated Learning | École Polytechnique | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/hegazy24a.html)] [[PDF](https://arxiv.org/abs/2310.20682)] [[CODE](https://github.com/mahegz/CompWithExactError)] | | Adaptive Federated Minimax Optimization with Lower Complexities | NJU; MIIT Key Laboratory of Pattern Analysis and Machine Intelligence | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/huang24c.html)] [[PDF](https://arxiv.org/abs/2211.07303)] | | Adaptive Compression in Federated Learning via Side Information | Stanford University; University of Padova | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/isik24a.html)] [[PDF](https://arxiv.org/abs/2306.12625)] [[CODE](https://github.com/FrancescoPase/Federated-KLMS)] | | On-Demand Federated Learning for Arbitrary Target Class Distributions | UNIST | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/jeong24a.html)] [[CODE](https://github.com/eai-lab/On-DemandFL)] | | FedFisher: Leveraging Fisher Information for One-Shot Federated Learning | CMU | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/jhunjhunwala24a.html)] [[PDF](https://arxiv.org/abs/2403.12329)] [[CODE](https://github.com/Divyansh03/FedFisher)] | | Queuing dynamics of asynchronous Federated Learning | Huawei | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/leconte24a.html)] [[PDF](https://arxiv.org/abs/2405.00017)] | | Personalized Federated X-armed Bandit | Purdue University | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/li24a.html)] [[PDF](https://arxiv.org/abs/2310.16323)] [[CODE](https://github.com/WilliamLwj/PyXAB)] | | Federated Learning For Heterogeneous Electronic Health Records Utilising Augmented Temporal Graph Attention Networks | University of Oxford | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/molaei24a.html)] [[CODE](https://github.com/AnshThakur/FL4HeterogenousEHRs)] | | Stochastic Smoothed Gradient Descent Ascent for Federated Minimax Optimization | University of Virginia | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/shen24c.html)] [[PDF](https://arxiv.org/abs/2311.00944)] | | Understanding Generalization of Federated Learning via Stability: Heterogeneity Matters | Northwestern University | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/sun24a.html)] [[PDF](https://arxiv.org/abs/2306.03824)] [[CODE](https://github.com/fedcodexx/Generalization-of-Federated-Learning)] | | Provable Mutual Benefits from Federated Learning in Privacy-Sensitive Domains | Sofia University | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/tsoy24a.html)] [[PDF](https://arxiv.org/abs/2403.06672)] [[CODE](https://github.com/nikita-tsoy98/mutually-beneficial-federated-learning-replication)] | | Analysis of Privacy Leakage in Federated Large Language Models | University of Florida | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/vu24a.html)] [[PDF](https://arxiv.org/abs/2403.04784)] [[CODE](https://github.com/vunhatminh/FL_Attacks.git)] | | Invariant Aggregator for Defending against Federated Backdoor Attacks | UIUC | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/wang24e.html)] [[PDF](https://arxiv.org/abs/2210.01834)] [[CODE](https://github.com/Xiaoyang-Wang/InvariantAggregator)] | | Communication-Efficient Federated Learning With Data and Client Heterogeneity | ISTA | AISTATS | 2024 | [[PUB](https://proceedings.mlr.press/v238/zakerinia24a.html)] [[PDF](https://arxiv.org/abs/2206.10032)] [[CODE](https://github.com/ShayanTalaei/QuAFL)] | | FedMut: Generalized Federated Learning via Stochastic Mutation | NTU | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29146)] | | Federated Partial Label Learning with Local-Adaptive Augmentation and Regularization | Carleton University | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29562)] [[PAGE](https://underline.io/lecture/93915-federated-partial-label-learning-with-local-adaptive-augmentation-and-regularization)] | | No Prejudice! Fair Federated Graph Neural Networks for Personalized Recommendation | IIT | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/28950)] [[PAGE](https://underline.io/lecture/93775-no-prejudice-fair-federated-graph-neural-networks-for-personalized-recommendation)] [[PDF](https://arxiv.org/abs/2312.10080)] [[CODE](https://github.com/anujksirohi/F2PGNN-AAAI24)] | | Formal Logic Enabled Personalized Federated Learning through Property Inference | Vanderbilt University | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/28962)] [[PDF](https://arxiv.org/abs/2401.07448)] | | Task-Agnostic Privacy-Preserving Representation Learning for Federated Learning against Attribute Inference Attacks | Illinois Tech | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/28965)] [[PAGE](https://underline.io/lecture/91722-task-agnostic-privacy-preserving-representation-learning-for-federated-learning-against-attribute-inference-attacks)] [[PDF](https://arxiv.org/abs/2312.06989)] [[CODE](https://github.com/TAPPFL/TAPPFL)] | | FairTrade: Achieving Pareto-Optimal Trade-Offs between Balanced Accuracy and Fairness in Federated Learning | Leibniz University | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/28971)] [[PAGE](https://underline.io/lecture/93537-fairtrade-achieving-pareto-optimal-trade-offs-between-balanced-accuracy-and-fairness-in-federated-learning)] | | Combating Data Imbalances in Federated Semi-supervised Learning with Dual Regulators | HKUST | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/28974)] [[PAGE](https://underline.io/lecture/92397-combating-data-imbalances-in-federated-semi-supervised-learning-with-dual-regulators)] [[PDF](https://arxiv.org/abs/2307.05358)] | | Fed-QSSL: A Framework for Personalized Federated Learning under Bitwidth and Data Heterogeneity | UT | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29025)] [[PAGE](https://underline.io/lecture/93417-fed-qssl-a-framework-for-personalized-federated-learning-under-bitwidth-and-data-heterogeneity)] [[PDF](https://arxiv.org/abs/2312.13380)] | | On Disentanglement of Asymmetrical Knowledge Transfer for Modality-Task Agnostic Federated Learning | University of Virginia | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29010)] | | FedDAT: An Approach for Foundation Model Finetuning in Multi-Modal Heterogeneous Federated Learning | LMU Munich Siemens AG | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29007)] [[PAGE](https://underline.io/lecture/91710-feddat-an-approach-for-foundation-model-finetuning-in-multi-modal-heterogeneous-federated-learning)] [[PDF](https://arxiv.org/abs/2308.12305)] [[CODE](https://github.com/HaokunChen245/FedDAT)] | | Watch Your Head: Assembling Projection Heads to Save the Reliability of Federated Models | Xi'an Jiaotong University Shaanxi Joint Key Laboratory for Artificial Intelligence | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29012)] [[PAGE](https://underline.io/lecture/91776-watch-your-head-assembling-projection-heads-to-save-the-reliability-of-federated-models)] [[PDF](https://arxiv.org/abs/2402.16255)] | | FedGCR: Achieving Performance and Fairness for Federated Learning with Distinct Client Types via Group Customization and Reweighting | NTU | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29031)] [[PAGE](https://underline.io/lecture/92275-fedgcr-achieving-performance-and-fairness-for-federated-learning-with-distinct-client-types-via-group-customization-and-reweighting)] [[CODE](https://github.com/celinezheng/fedgcr)] | | Federated Modality-Specific Encoders and Multimodal Anchors for Personalized Brain Tumor Segmentation | Xiamen University | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/27909)] [[PAGE](https://underline.io/lecture/91824-federated-modality-specific-encoders-and-multimodal-anchors-for-personalized-brain-tumor-segmentation)] [[PDF](https://arxiv.org/abs/2403.11803)] [[CODE](https://github.com/qdaiing/fedmema)] | | 利用模型拼接在联邦学习中开发标签偏斜 | 新加坡国立大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29063)] [[PAGE](https://underline.io/lecture/92569-exploiting-label-skews-in-federated-learning-with-model-concatenation)] [[PDF](https://arxiv.org/abs/2312.06290)] [[CODE](https://github.com/sjtudyq/FedConcat)] | | 互补知识蒸馏用于垂直联邦学习中的鲁棒和隐私保护模型服务 | 南方科技大学; 香港科技大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29958)] [[PAGE](https://underline.io/lecture/92937-complementary-knowledge-distillation-for-robust-and-privacy-preserving-model-serving-in-vertical-federated-learning)] | | 基于输入输出协作蒸馏的联邦学习 | 纽约州立大学布法罗分校; 美国哈佛医学院 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/30209)] [[PAGE](https://underline.io/lecture/94089-federated-learning-via-input-output-collaborative-distillation)] [[PDF](https://arxiv.org/abs/2312.14478)] [[CODE](https://github.com/lsl001006/fediod)] | | 通过贝叶斯推理在预测空间中的校准一轮联邦学习 | 滑铁卢大学矢量研究所 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29122)] [[PAGE](https://underline.io/lecture/92727-calibrated-one-round-federated-learning-with-bayesian-inference-in-the-predictive-space)] [[PDF](https://arxiv.org/abs/2312.09817)] [[CODE](https://github.com/hasanmohsin/betaPredBayesFL)] | | FedCSL: 一种可扩展且准确的联邦因果结构学习方法 | 合肥工业大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29113)] [[PDF](https://github.com/Xianjie-Guo/FedCSL)] | | FedFixer: 缓解联邦学习中的异质标签噪声 | 西安交通大学; 莱顿大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29179)] [[PAGE](https://underline.io/lecture/92327-fedfixer-mitigating-heterogeneous-label-noise-in-federated-learning)] [[PDF](https://arxiv.org/abs/2403.16561)] | | FedLPS: 用于多任务的异质联邦学习与本地参数共享 | 南京大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29181)] [[PAGE](https://underline.io/lecture/93122-fedlps-heterogeneous-federated-learning-for-multiple-tasks-with-local-parameter-sharing)] [[PDF](https://arxiv.org/abs/2402.08578)] [[CODE](https://github.com/jyzgh/FedLPS)] | | 可证明收敛的联邦三层学习 | 天津大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29190)] [[PDF](https://arxiv.org/abs/2312.11835)] | | 表现型联邦学习: 解决模型依赖和异质分布偏移问题 | 密歇根大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29191)] [[PAGE](https://underline.io/lecture/93963-performative-federated-learning-a-solution-to-model-dependent-and-heterogeneous-distribution-shifts)] | | 通用商业智能：全球化联邦NLP引擎，用于隐私保护和可持续的多商户个性化服务 | 庆熙大学; Harex InfoTech | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/30309)] [[PAGE](https://underline.io/lecture/91475-general-commerce-intelligence-glocally-federated-nlp-based-engine-for-privacy-preserving-and-sustainable-personalized-services-of-multi-merchants)] | | EMGAN: 服务器端模型提取中的早期混合生成对抗网络 | 索尼AI | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29258)] [[PAGE](https://underline.io/lecture/91709-emgan-early-mix-gan-on-extracting-server-side-model-in-split-federated-learning)] [[CODE](https://github.com/zlijingtao/SFL-MEA)] | | FedDiv: 带有噪声标签的联邦学习中的协作噪声过滤 | 中山大学; 香港大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/28095)] [[PAGE](https://underline.io/lecture/91764-feddiv-collaborative-noise-filtering-for-federated-learning-with-noisy-labels)] [[PDF](https://arxiv.org/abs/2312.12263)] [[CODE](https://github.com/lijichang/FLNL-FedDiv)] | | 联邦学习中的点变换器，用于预测基于苏木精和伊红染色的切片图像中的乳腺癌HER2状态 | 中国科学技术大学; 中国科学院 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/28082)] [[PAGE](https://underline.io/lecture/92706-point-transformer-with-federated-learning-for-predicting-breast-cancer-her2-status-from-hematoxylin-and-eosin-stained-whole-slide-images)] [[PDF](https://arxiv.org/abs/2312.06454)] [[CODE](https://github.com/Boyden/PointTransformerFL)] | | FedNS: 用于联邦学习的快速素描牛顿算法 | 中国科学院 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29254)] [[PDF](https://arxiv.org/abs/2401.02734)] [[CODE](https://github.com/superlj666/fedns)] | | 联邦X臂强盗 | 普渡大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29267)] [[PAGE](https://underline.io/lecture/93049-federated-x-armed-bandit)] [[PDF](https://arxiv.org/abs/2205.15268)] [[CODE](https://github.com/williamlwj/pyxab)] | | 顺序数据的联邦学习算法基础 | 乔治梅森大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/30291)] | | UFDA: 带有现实假设的通用联邦领域自适应 | 西安交通大学; 悉尼大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29311)] [[PAGE](https://underline.io/lecture/93578-ufda-universal-federated-domain-adaptation-with-practical-assumptions)] [[PDF](https://arxiv.org/abs/2311.15570)] [[CODE](https://github.com/Xinhui-99/UFDA)] | | FedASMU: 动态陈旧感知模型更新的高效异步联邦学习 | 海天瑞丰信息网络公司 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29297)] [[PAGE](https://underline.io/lecture/92855-fedasmu-efficient-asynchronous-federated-learning-with-dynamic-staleness-aware-model-update)] [[PDF](https://arxiv.org/abs/2312.05770)] | | 语言引导的变换器用于联邦多标签分类 | 台湾国立大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29295)] [[PAGE](https://underline.io/lecture/93447-language-guided-transformer-for-federated-multi-label-classification)] [[PDF](https://arxiv.org/abs/2312.07165)] [[CODE](https://github.com/Jack24658735/FedLGT)] | | FedCD: 通过双教师的分类意识平衡联邦半监督学习 | 深圳大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/28175)] [[PAGE](https://underline.io/lecture/92166-fedcd-federated-semi-supervised-learning-with-class-awareness-balance-via-dual-teachers)] [[CODE](https://github.com/YunzZ-Liu/FedCD/)] | | 超越传统威胁: 联邦学习中的持久后门攻击 | 哈尔滨工程大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/30131)] [[PAGE](https://underline.io/lecture/94230-beyond-traditional-threats-a-persistent-backdoor-attack-on-federated-learning)] [[CODE](https://github.com/PhD-TaoLiu/FCBA)] | | 通过负面蒸馏克服极度噪声客户端的联邦学习 | 厦门大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29329)] [[PAGE](https://underline.io/lecture/93309-federated-learning-with-extremely-noisy-clients-via-negative-distillation)] [[PDF](https://arxiv.org/abs/2312.12703)] [[CODE](https://github.com/linChen99/FedNed)] | | FedST: 用于非独立同分布图像分割的联邦风格迁移学习 | 北京科技大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/28199)] [[PAGE](https://underline.io/lecture/93609-fedst-federated-style-transfer-learning-for-non-iid-image-segmentation)] [[学报](https://journal.bupt.edu.cn/CN/abstract/abstract5178.shtml)] [[CODE](https://github.com/YoferChen/FedST)] | | PPIDSG: 联邦学习中基于GAN的隐私保护图像分布共享方案 | 中国科学技术大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29339)] [[PAGE](https://underline.io/lecture/92243-ppidsg-a-privacy-preserving-image-distribution-sharing-scheme-with-gan-in-federated-learning)] [[PDF](https://arxiv.org/abs/2312.10380)] [[CODE](https://github.com/ytingma/PPIDSG)] | | 基于隐私保护联邦学习（PPFL）的认知数字孪生（CDT）框架，用于智能城市 | 都柏林城市大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/30400)] | | 混合联邦学习的原始-对偶算法 | 西北大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29363)] [[PAGE](https://underline.io/lecture/93144-a-primal-dual-algorithm-for-hybrid-federated-learning)] [[PDF](https://arxiv.org/abs/2210.08106)] | | FedLF: 分层公平联邦学习 | 香港中文大学; 深圳市人工智能和机器人研究院 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29368)] [[PAGE](https://underline.io/lecture/93087-fedlf-layer-wise-fair-federated-learning)] | | 通过激励机制实现公平图联邦学习 | 浙江大学; 复旦大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29365)] [[PAGE](https://underline.io/lecture/92583-towards-fair-graph-federated-learning-via-incentive-mechanisms)] [[PDF](https://arxiv.org/abs/2312.13306)] [[CODE](https://github.com/Chenglu0426/FairGraphFL)] | | 走向差异隐私联邦学习的鲁棒性 | 清华大学 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29967)] [[PAGE](https://underline.io/lecture/92491-towards-the-robustness-of-differentially-private-federated-learning)] | | 利用双向选举和个体视角抵抗联邦学习中的后门攻击 | 浙江大学；华为 | AAAI | 2024 | [[PUB](https://ojs.aaai.org/index.php/AAAI/article/view/29385)] [[PAGE](https://underline.io/lecture/94020-resisting-backdoor-attacks-in-federated-learning-via-bidirectional-elections-and-individual-perspective)] [[PDF](https://arxiv.org/abs/2309.16456)] [[CODE](https://github.com/zhenqincn/Snowball)] |

| 整数已足够：当纵向联邦学习遇上四舍五入 | 浙江大学；蚂蚁集团 | AAAI | 2024 | [PUB] [PAGE] |

| 基于CLIP的联邦学习在异质性和长尾数据上的应用 | 厦门大学 | AAAI | 2024 | [PUB] [PAGE] [PDF] [CODE] |

| 联邦自适应提示微调用于多域协同学习 | 复旦大学 | AAAI | 2024 | [PUB] [PAGE] [PDF] [CODE] |

| 多维公平联邦学习 | 山东大学 | AAAI | 2024 | [PUB] [PAGE] [PDF] |

| HiFi-Gas：增强天然气使用估算的分层联邦学习激励机制 | 新奥集团 | AAAI | 2024 | [PUB] |

| 联邦学习中服务器动量的作用 | 弗吉尼亚大学 | AAAI | 2024 | [PUB] [PDF] |

| FedCompetitors: 在竞争参与者中进行和谐合作的联邦学习 | 北京邮电大学 | AAAI | 2024 | [PUB] [PAGE] [PDF] |

| z-SignFedAvg: 一种统一的基于符号的随机压缩方法用于联邦学习 | 香港中文大学；中国深圳大数据研究院 | AAAI | 2024 | [PUB] [PAGE] [PDF] |

| 数据差异和时间不可用问题的异步联邦学习，用于交通车队的预测性维护 | 大众集团 | AAAI | 2024 | [PUB] [PAGE] |

| 具有可泛化原型的域转移下的联邦图学习 | 武汉大学 | AAAI | 2024 | [PUB] [PAGE] |

| TurboSVM-FL: 通过SVM聚合提升懒惰客户端的联邦学习性能 | 慕尼黑工业大学 | AAAI | 2024 | [PUB] [PAGE] [PDF] [CODE] |

| 联邦领域泛化的多源协作梯度差异最小化 | 天津大学 | AAAI | 2024 | [PUB] [PDF] [CODE] |

| 隐藏敏感样本以防止联邦学习中的梯度泄漏 | 莫纳什大学 | AAAI | 2024 | [PUB] [PAGE] [PDF] [CODE] |

| FedA3I: 针对异质标注噪声的联邦医学影像分割质量感知聚合 | 华中科技大学 | AAAI | 2024 | [PUB] [PAGE] [PDF] [CODE] |

| 带有可解释自适应优化的联邦因果关系学习 | 山东大学 | AAAI | 2024 | [PUB] [PAGE] [PDF] |

| 带有异步通信和异质用户的联邦情境级联式多臂赌博机 | 中国科技大学 | AAAI | 2024 | [PUB] [PAGE] [PDF] |

| 探索基于预训练扩散模型的一次性半监督联邦学习 | 复旦大学 | AAAI | 2024 | [PUB] [PDF] |

| 多样性-真实性双约束风格化在人物重识别中的联邦领域泛化 | 厦门大学；特伦托大学 | AAAI | 2024 | [PUB] [PAGE] |

| PerFedRLNAS: 一种适用于所有人的个性化联邦神经结构搜索 | 多伦多大学 | AAAI | 2024 | [PUB] [PAGE] |

| 带有前瞻动量聚合和细粒度修正的高效异步联邦学习 | 北京邮电大学 | AAAI | 2024 | [PUB] [PAGE] |

| 联邦学习自适应比特率算法的对抗攻击 | 香港大学 | AAAI | 2024 | [PUB] |

| FedTGP: 通过自适应边界增强的对比学习进行数据和模型异质性联邦学习的可训练全局原型 | 上海交通大学 | AAAI | 2024 | [PUB] [PAGE] [PDF] [CODE] |

| LR-XFL: 基于逻辑推理的可解释联邦学习 | 南洋理工大学 | AAAI | 2024 | [PUB] [PDF] [CODE] |

| 采用Huber损失最小化的方法实现拜占庭鲁棒联邦学习 | 浙江实验室 | AAAI | 2024 | [PUB] [PAGE] [PDF] |

| 知识感知参数教练用于个性化联邦学习 | 东北大学 | AAAI | 2024 | [PUB] [PAGE] |

| 带有本地多样性乘积正则化的联邦标签噪声学习 | 上海交通大学 | AAAI | 2024 | [PUB] [PAGE] [SUPP] |

| 联邦学习中的加权聚合改进（学生摘要）| 英属哥伦比亚大学 | AAAI | 2024 | [PUB] |

| 联邦学习中的紧凑模型知识转移（学生摘要）| 悉尼大学 | AAAI | 2024 | [PUB] [PAGE] |

| PICSR: 联邦学习中的原型知情跨孤路由器（学生摘要）| 俄亥俄州立大学自治实验室, 卡内基梅隆大学 | AAAI | 2024 | [PUB] [PAGE] |

| 隐私保护图卷积网络用于联邦项目推荐 | 深圳大学 | AI | 2023 | [PUB] |

| 双赢：用于双目标跨域推荐的隐私保护联邦框架 | 中国科学院；中国科学院大学；京东科技；京东智慧城市研究院 | AAAI | 2023 | [PUB] | | 面向联邦推荐系统的无目标攻击及防御：通过恶意物品嵌入 | 中国科学技术大学；认知智能国家重点实验室 | AAAI | 2023 | [PUB] [PDF] [CODE] | | 激励增强的联邦众包 | 山东大学 | AAAI | 2023 | [PUB] [PDF] | | 使用类原型解决联邦学习中的数据异质性 | 理海大学 | AAAI | 2023 | [PUB] [PDF] [CODE] | | FairFed: 在联邦学习中实现群体公平性 | 南加州大学 | AAAI | 2023 | [PUB] [PDF] [解读] | | 联邦鲁棒性传播：在异质联邦学习中共享对抗性鲁棒性 | 密歇根州立大学 | AAAI | 2023 | [PUB] | | 互补稀疏化：用于联邦学习的低开销模型剪枝 | 新泽西理工学院 | AAAI | 2023 | [PUB] | | 联邦最佳臂识别中几乎无成本的通信 | 新加坡国立大学 | AAAI | 2023 | [PUB] [PDF] | | 分层自适应模型聚合：可扩展联邦学习 | 南加州大学；仁荷大学 | AAAI | 2023 | [PUB] [PDF] | | 使用刻耳柏洛斯中毒：隐蔽且联合的联邦学习后门攻击 | 北京交通大学 | AAAI | 2023 | [PUB] | | FedMDFG：具有多梯度下降和公平指引的联邦学习 | 香港中文大学；深圳人工智能与机器人研究院 | AAAI | 2023 | [PUB] | | 确保安全聚合：减轻联邦学习中的多轮隐私泄露 | 南加州大学 | AAAI | 2023 | [PUB] [PDF] [VIDEO] [CODE] | | 通过结构知识共享在非独立同分布图上进行联邦学习 | 悉尼科技大学 | AAAI | 2023 | [PUB] [PDF] [CODE] | | 通过客户数据子空间之间的主角度识别聚类联邦学习中的数据分布相似性 | 加州大学圣地亚哥分校 | AAAI | 2023 | [PUB] [PDF] [CODE] | | FedABC：面向个性化联邦学习的公平竞争 | 武汉大学；湖北珞珈实验室；京东探索研究院 | AAAI | 2023 | [PUB] [PDF] | | 超越ADMM：统一的客户端方差减少自适应联邦学习框架 | 新加坡科技设计大学 | AAAI | 2023 | [PUB] [PDF] | | FedGS：具有任意客户端可用性的联邦基于图采样 | 厦门大学 | AAAI | 2023 | [PUB] [PDF] [CODE] | | 更快的自适应联邦学习 | 匹兹堡大学 | AAAI | 2023 | [PUB] [PDF] | | FedNP：通过联邦神经传播面向非独立同分布数据的联邦学习 | 香港科技大学 | AAAI | 2023 | [PUB] [CODE] [VIDEO] [SUPP] | | 贝叶斯联邦神经匹配：完成完整信息 | 天津大学 | AAAI | 2023 | [PUB] [PDF] | | CDMA：一种实用的用于广义极小极大问题的跨设备联邦学习算法 | 浙江大学 | AAAI | 2023 | [PUB] [PDF] [CODE] | | 物联网中基于多源异构数据的联邦生成模型 | 佐治亚州立大学 | AAAI | 2023 | [PUB] | | DeFL：通过关键学习期意识防御联邦学习中的模型中毒攻击 | 纽约州立大学宾厄姆顿大学 | AAAI | 2023 | [PUB] | | FedALA：面向个性化联邦学习的自适应本地聚合 | 上海交通大学 | AAAI | 2023 | [PUB] [PDF] [CODE] | | 探索联邦学习的对抗性鲁棒性 | 浙江大学 | AAAI | 2023 | [PUB] [PDF] | | 关于联邦学习后门防御的脆弱性 | 天津大学 | AAAI | 2023 | [PUB] [PDF] [CODE] | | 邻居的回声：通过洗牌模型增强个性化私有联邦学习的隐私 | 中国人民大学；教育部工程研究中心（数据库与商业智能） | AAAI | 2023 | [PUB] [PDF] | | DPAUC：联邦学习中的差分隐私AUC计算 | 字节跳动 | AAAI特别组 | 2023 | [PUB] [PDF] [CODE] | | 通过联邦机会性块丢失高效训练大规模工业故障诊断模型 | 南洋理工大学 | AAAI特别项目 | 2023 | [PUB] [PDF] | | 面向药物发现的工业级协调联邦学习 | 荷语鲁汶大学 | AAAI特别项目 | 2023 | [PUB] [PDF] [VIDEO] | | 一种用于自动驾驶汽车仿真的联邦学习监控工具（学生摘要） | 忠南大学 | AAAI特别项目 | 2023 | [PUB] | | MGIA：多模态联邦学习中的互斥梯度反演攻击（学生摘要） | 香港理工大学 | AAAI特别项目 | 2023 | [PUB] | | 用于异构数据的聚类联邦学习（学生摘要） | 中国人民大学 | AAAI特别项目 | 2023 | [PUB] | | FedSampling：联邦学习的更好采样策略 | 清华大学 | IJCAI | 2023 | [PUB] [PDF] [CODE] | | HyperFed：联邦学习中一致聚合非独立同分布数据的双曲原型探索 | 浙江大学 | IJCAI | 2023 | [PUB] [PDF] | | FedOBD：通过联邦学习高效训练大规模神经网络的机会性块丢失 | 南洋理工大学 | IJCAI | 2023 | [PUB] [PDF] [CODE] | | 隐私保护的多域推荐中具有紧凑共聚类的联邦概率偏好分布建模 | 浙江大学 | IJCAI | 2023 | [PUB] | | 联邦图语义和结构学习 | 武汉大学 | IJCAI | 2023 | [PUB] | | BARA：交叉筒仓联邦学习中具有在线奖励预算分配的高效激励机制 | 中山大学 | IJCAI | 2023 | [PUB] [PDF] | | FedDWA：具有动态权重调整的个性化联邦学习 | 中山大学 | IJCAI | 2023 | [PUB] [PDF] | | FedPass：适应性混淆的隐私保护垂直联邦深度学习 | 微众银行 | IJCAI | 2023 | [PUB] [PDF] | | 面向非独立同分布图的全球一致联邦图自动编码器 | 福州大学 | IJCAI | 2023 | [PUB] [CODE] | | 基于拍卖的联邦学习中竞争-合作多智能体强化学习 | 南洋理工大学 | IJCAI | 2023 | [PUB] | | 联邦推荐中的双重个性化 | 吉林大学; 悉尼科技大学 | IJCAI | 2023 | [PUB] [PDF] [CODE] | | FedNoRo: 通过解决类别不平衡和标签噪声异质性实现噪声鲁棒的联邦学习 | 华中科技大学 | IJCAI | 2023 | [PUB] [PDF] [CODE] | | 拒绝服务或细粒度控制：面向联邦学习的灵活模型中毒攻击 | 湘潭大学 | IJCAI | 2023 | [PUB] [PDF] [CODE] | | FedHGN: 异构图神经网络的联邦框架 | 香港中文大学 | IJCAI | 2023 | [PUB] [PDF] [CODE] | | FedET: 基于增强Transformer的通信效率高的联邦类增量学习框架 | 平安科技; 清华大学 | IJCAI | 2023 | [PUB] [PDF] | | 面向天气预报的提示式联邦学习：迈向气象数据的基础模型 | 悉尼科技大学 | IJCAI | 2023 | [PUB] [PDF] [CODE] | | FedBFPT: BERT进一步预训练的高效联邦学习框架 | 浙江大学 | IJCAI | 2023 | [PUB] [CODE] | | Bayesian Federated Learning: A Survey | | IJCAI Survey Track | 2023 | [PDF] | | A Survey of Federated Evaluation in Federated Learning | 麦考瑞大学 | IJCAI Survey Track | 2023 | [PUB] [PDF] | | SAMBA: 面向安全联邦多臂老虎机的通用框架（扩展摘要） | 瓦尔-德卢瓦尔国家应用科学学院 | IJCAI Journal Track | 2023 | [PUB] | | 安全与隐私在联邦频估中的通信成本 | 斯坦福大学 | AISTATS | 2023 | [PUB] [CODE] | | 通过异步分布式Dropout实现高效轻量的联邦学习 | 莱斯大学 | AISTATS | 2023 | [PUB] [CODE] | | 面对分布概念漂移的联邦学习 | 卡内基梅隆大学 | AISTATS | 2023 | [PUB] [CODE] | | 描述联邦学习中的内部规避攻击 | 卡内基梅隆大学 | AISTATS | 2023 | [PUB] [CODE] | | 联邦渐近理论：用于比较联邦学习算法的模型 | 斯坦福大学 | AISTATS | 2023 | [PUB] [CODE] | | 无需可信服务器的私密非凸联邦学习 | 南加州大学 | AISTATS | 2023 | [PUB] [CODE] | | 数据流上的联邦学习 | 蓝色海岸大学 | AISTATS | 2023 | [PUB] [CODE] | | 只有遗憾——隐私保护的联邦因果发现 | 亥姆霍兹信息安全中心 | AISTATS | 2023 | [PUB] [CODE] | | 在本地差分隐私下的联邦学习中主动会员推断攻击 | 佛罗里达大学 | AISTATS | 2023 | [PUB] [CODE] | | 联邦平均朗之万动力学：迈向统一理论和新算法 | 国立应用数学学院 | AISTATS | 2023 | [PUB] | | 具有最佳统计率的拜占庭鲁棒联邦学习 | 加州大学伯克利分校 | AISTATS | 2023 | [PUB] [CODE] | | 通过结构知识共享在非独立分布图上进行联邦学习 | 悉尼科技大学 | AAAI | 2023 | [PDF] [CODE] | | FedGS: 使用任意客户端可用性的联邦图采样 | 厦门大学 | AAAI | 2023 | [PDF] [CODE] | | 激励提升的联邦众包 | 山东大学 | AAAI | 2023 | [PDF] | | 理解联邦学习中的偏见客户端选择 | 卡内基梅隆大学 | AISTATS | 2022 | [PUB] [CODE] | | FLIX: 联邦学习中简单且通信效率高的本地方法替代品 | KAUST | AISTATS | 2022 | [PUB] [PDF] [CODE] | | 联邦平均 (本地SGD) 和连续视角的尖锐界限 | 斯坦福大学 | AISTATS | 2022 | [PUB] [PDF] [CODE] | | 面对环境异质性的联邦强化学习 | 北京大学 | AISTATS | 2022 | [PUB] [PDF] [CODE] | | 联邦短视社区检测——一次性通信 | 普渡大学 | AISTATS | 2022 | [PUB] [PDF] | | 联邦线性赌徒的异步上置信限算法 | 弗吉尼亚大学 | AISTATS | 2022 | [PUB] [PDF] [CODE] | | 通过连续优化实现联邦贝叶斯网络结构学习 | 卡内基梅隆大学 | AISTATS | 2022 | [PUB] [PDF] [CODE] | | 带缓冲异步聚合的联邦学习 | Meta AI | AISTATS | 2022 | [PUB] [PDF] [VIDEO] | | 异质数据上的差分隐私联邦学习 | 斯坦福大学 | AISTATS | 2022 | [PUB] [PDF] [CODE] | | SparseFed: 通过稀疏化减轻联邦学习中的模型中毒攻击 | 普林斯顿大学 | AISTATS | 2022 | [PUB] [PDF] [CODE] [VIDEO] | | 基础很重要：为联邦学习提供更好通信效率的二阶方法 | KAUST | AISTATS | 2022 | [PUB] [PDF] | | 联邦功能梯度提升 | 宾夕法尼亚大学 | AISTATS | 2022 | [PUB] [PDF] [CODE] | | QLSD: 面向贝叶斯联邦学习的量化朗之万随机动力学 | Criteo AI实验室 | AISTATS | 2022 | [PUB] [PDF] [CODE] [VIDEO] | 联邦环境中基于元学习的知识图谱知识外推 kg. | 浙江大学 | IJCAI | 2022 | [PUB] [PDF] [CODE] | | 图结构的个性化联邦学习 | 悉尼科技大学 | IJCAI | 2022 | [PUB] [PDF] [CODE] | | 隐私保护的垂直联邦图神经网络节点分类 | 浙江大学 | IJCAI | 2022 | [PUB] [PDF] | | 适应于适应: 跨筒仓联邦学习中的个性化学习 | | IJCAI | 2022 | [PUB] [PDF] [CODE] | | 异构集成知识迁移用于大模型联邦学习训练 | | IJCAI | 2022 | [PUB] [PDF] | | 私有半监督联邦学习 | | IJCAI | 2022 | [PUB] | | 基于知识蒸馏的持续联邦学习 | | IJCAI | 2022 | [PUB] | | 通过联邦特征重新训练分类器进行异构和长尾数据上的联邦学习 | | IJCAI | 2022 | [PUB] [PDF] [CODE] | | 跨个体人类活动识别的联邦多任务注意力 | | IJCAI | 2022 | [PUB] | | 具有上下文泛化的个性化联邦学习 | | IJCAI | 2022 | [PUB] [PDF] | | 保护联邦学习：具有适应性客户选择的鲁棒聚合 | | IJCAI | 2022 | [PUB] [PDF] | | FedCG: 在联邦学习中利用条件GAN保护隐私并保持竞争性能 | | IJCAI | 2022 | [PUB] [PDF] [CODE] | | FedDUAP: 使用服务器共享数据进行动态更新和自适应剪枝的联邦学习 | | IJCAI | 2022 | [PUB] [PDF] | | 朝向可验证的联邦学习 surv. | | IJCAI | 2022 | [PUB] [PDF] | | HarmoFL: 在异构医学图像联邦学习中协调本地和全局漂移 | 香港中文大学; 北京航空航天大学 | AAAI | 2022 | [PUB] [PDF] [CODE] [解读] | | 带有梯度校正的面部识别联邦学习 | 北京邮电大学 | AAAI | 2022 | [PUB] [PDF] | | SpreadGNN: 用于分子数据的分散式多任务联邦图神经网络学习 | 南加州大学 | AAAI | 2022 | [PUB] [PDF] [CODE] [解读] | | SmartIdx: 通过利用CNN结构减少联邦学习的通信成本 | 哈尔滨工业大学; CCLab | AAAI | 2022 | [PUB] [CODE] | | 通过统一注意网络在认知处理信号和语言特征之间架桥 | 天津大学 | AAAI | 2022 | [PUB] [PDF] | | 抓住联邦学习中的关键学习时期 | 纽约州立大学宾翰姆顿大学 | AAAI | 2022 | [PUB] [PDF] | | 为跨筒仓联邦学习协调动量 | 匹兹堡大学 | AAAI | 2022 | [PUB] [PDF] | | FedProto: 在异构设备上进行联邦原型学习 | 悉尼科技大学 | AAAI | 2022 | [PUB] [PDF] [CODE] | | FedSoft: 带有近端本地更新的软聚类联邦学习 | 卡内基梅隆大学 | AAAI | 2022 | [PUB] [PDF] [CODE] | | 联邦动态稀疏训练：减少计算和通信但更好地学习 | 德克萨斯大学奥斯汀分校 | AAAI | 2022 | [PUB] [PDF] [CODE] | | FedFR: 一种用于通用和个性化面部识别的联合优化联邦框架 | 国立台湾大学 | AAAI | 2022 | [PUB] [PDF] [CODE] | | SplitFed: 当联邦学习遇上切割学习 | 澳大利亚联邦科学与工业研究组织 | AAAI | 2022 | [PUB] [PDF] [CODE] | | 具有多任务联邦学习的高效设备调度 | 苏州大学 | AAAI | 2022 | [PUB] [PDF] | | 分布式和联邦学习中的隐式梯度对齐 | 印度理工学院坎普尔分校 | AAAI | 2022 | [PUB] [PDF] | | 使用果蝇群集进行最近邻分类的联邦学习 | IBM研究院 | AAAI | 2022 | [PUB] [PDF] [CODE] | | 向量场和保守性的迭代应用于联邦学习 | Google | ALT | 2022 | [PUB] [PDF] | | 带有稀疏化增强隐私和自适应优化的联邦学习 | | IJCAI | 2021 | [PUB] [PDF] [VIDEO] | | 行为模仿分布：结合个体和群体行为用于联邦学习 | | IJCAI | 2021 | [PUB] [PDF] | | FedSpeech: 使用持续学习的联邦文本到语音转换 | | IJCAI | 2021 | [PUB] [PDF] | | 跨筒仓环境中的实际一次性联合学习 | | IJCAI | 2021 | [PUB] [PDF] [CODE] | | 带有无噪声差分隐私的联邦模型蒸馏 | | IJCAI | 2021 | [PUB] [PDF] [VIDEO] | | LDP-FL：具有本地差分隐私的联邦学习中实际的私有聚合 | | IJCAI | 2021 | [PUB] [PDF] | | 带有公平平均的联邦学习 | | IJCAI | 2021 | [PUB] [PDF] [CODE] | | H-FL: 一个分层通讯高效且保护隐私的联邦学习架构 | | IJCAI | 2021 | [PUB] [PDF] | | 通讯高效且可扩展的分散联邦边缘学习 | | IJCAI | 2021 | [PUB] | | 安全双层异步垂直联邦学习与反向更新 | 西安电子科技大学; 京东科技 | AAAI | 2021 | [出版] [PDF] [视频] | | FedRec++: 基于显性反馈的无损联邦推荐 | 深圳大学 | AAAI | 2021 | [出版] [视频] | | 联邦多臂老虎机 | 弗吉尼亚大学 | AAAI | 2021 | [出版] [PDF] [代码] [视频] | | 联邦学习中通信高效的本地SGD收敛性 | 天普大学; 匹兹堡大学 | AAAI | 2021 | [出版] [视频] | | FLAME: 混洗模型中的差分隐私联邦学习 | 中国人民大学; 京都大学 | AAAI | 2021 | [出版] [PDF] [视频] [代码] | | 理解联邦学习中个体客户端的影响 | 上海交通大学; 德州大学达拉斯分校 | AAAI | 2021 | [出版] [PDF] [视频] | | 对恶意客户端的保险联邦学习 | 杜克大学 | AAAI | 2021 | [出版] [PDF] [视频] [幻灯片] | | 非独立同分布数据上的个性化跨筒联邦学习 | 西蒙弗雷泽大学; 麦克马斯特大学 | AAAI | 2021 | [出版] [PDF] [视频] [代码] | | 模型共享游戏：分析志愿参与下的联邦学习 | 康奈尔大学 | AAAI | 2021 | [出版] [PDF] [代码] [视频] | | 诅咒还是救赎？数据异质性如何影响联邦学习的鲁棒性 | 内华达大学; IBM研究院 | AAAI | 2021 | [出版] [PDF] [视频] | | 梯度游戏：减轻联邦学习中的无关客户端 | 印度理工学院孟买分校; IBM研究院 | AAAI | 2021 | [出版] [PDF] [代码] [视频] [补充] | | 联邦块坐标下降方案用于学习全球和个性化模型 | 香港中文大学; 亚利桑那州立大学 | AAAI | 2021 | [出版] [PDF] [视频] [代码] | | 解决联邦学习中的类不平衡问题 | 西北大学 | AAAI | 2021 | [出版] [PDF] [视频] [代码] [解读] | | 通过鲁棒学习率在联邦学习中防御后门攻击 | 德州大学达拉斯分校 | AAAI | 2021 | [出版] [PDF] [视频] [代码] | | 模型聚合中的搭便车攻击在联邦学习 | 埃森哲实验室 | AISTATS | 2021 | [出版] [PDF] [代码] [视频] [补充] | | 联邦f-差分隐私 | 宾夕法尼亚大学 | AISTATS | 2021 | [出版] [代码] [视频] [补充] | | 压缩下的联邦学习：统一分析与尖锐保证 :fire: | 宾夕法尼亚州立大学; 德州大学奥斯汀分校 | AISTATS | 2021 | [出版] [PDF] [代码] [视频] [补充] | | 差分隐私在联邦学习中的混洗模型 | 加州大学洛杉矶分校; 谷歌 | AISTATS | 2021 | [出版] [视频] [补充] | | 联邦学习与元学习中的收敛性和准确性权衡 | 谷歌 | AISTATS | 2021 | [出版] [PDF] [视频] [补充] | | 个性化的联邦多臂老虎机 | 弗吉尼亚大学; 宾夕法尼亚州立大学 | AISTATS | 2021 | [出版] [PDF] [代码] [视频] [补充] | | 走向灵活设备参与的联邦学习 | 卡内基梅隆大学; 中山大学 | AISTATS | 2021 | [出版] [PDF] [视频] [补充] | | 用于信用卡欺诈检测的联邦元学习 | | IJCAI | 2020 | [出版] [视频] | | 研究联邦学习激励机制的多玩家游戏 | | IJCAI | 2020 | [出版] [代码] [解读] | | 实用的联邦梯度提升决策树 | 新加坡国立大学; 西澳大利亚大学 | AAAI | 2020 | [出版] [PDF] [代码] | | 用于视觉与语言定位问题的联邦学习 | 北京大学; 腾讯 | AAAI | 2020 | [出版] | | 联邦主题模型: 基于局部差分隐私的框架 | 北京航空航天大学 | AAAI | 2020 | [出版] | | 联邦病人哈希 | 康奈尔大学 | AAAI | 2020 | [出版] | | 通过协作机器教学的鲁棒联邦学习 | 赛门铁克研究实验室; 沙特阿卜杜勒阿齐兹国王科技大学 | AAAI | 2020 | [出版] [PDF] | | FedVision: 由联邦学习驱动的在线视觉对象检测平台 | 微众银行 | AAAI | 2020 | [出版] [PDF] [代码] | <SOURCE_TEXT> | FedPAQ: 一种具有周期性平均和量化的高效通信的联邦学习方法 | 加州大学圣巴巴拉分校；德克萨斯大学奥斯汀分校 | AISTATS | 2020 | [论文] [PDF] [视频] [补充材料] | | 如何在联邦学习中植入后门 :fire: | 康奈尔科技学院 | AISTATS | 2020 | [论文] [PDF] [视频] [代码] [补充材料] | | 基于差分隐私的联邦重击手发现 | 伦斯勒理工学院；谷歌 | AISTATS | 2020 | [论文] [PDF] [视频] [补充材料] | | 多代理可视化解释联邦学习 | 微众银行 | IJCAI | 2019 | [论文] [视频] | </SOURCE_TEXT>

联邦学习顶级机器学习会议和期刊

被顶级机器学习（ML）会议和期刊接受的联邦学习论文，包括 NeurIPS（神经信息处理系统年会），ICML（国际机器学习会议），ICLR（国际学习表征会议），COLT（计算学习理论年会），UAI（人工智能不确定性会议），Machine Learning，JMLR（机器学习研究期刊），TPAMI(IEEE模式分析与机器智能汇刊)。

联邦学习顶级机器学习会议和期刊
论文标题所属机构会议年份资料
通过模型距离实现通信高效的聚类联邦学习中国科学技术大学；认知智能国家重点实验室机器学习2024[文章]
通过超量聚合进行异构数据的联邦学习谷歌研究院机器学习2024[文章] [PDF] [代码]
对类别不平衡非IID联邦学习模型输出的对齐南京大学机器学习2024[文章]
联邦高斯过程：收敛性、自动个性化和多保真度建模东北大学；曼彻斯特大学TPAMI2024[文章] [PDF] [代码]
对联邦学习中对抗攻击的影响的调查印度理工学院TPAMI2024[文章]
理解并缓解联邦学习中的维度崩塌新加坡国立大学TPAMI2024[文章] [PDF] [代码]
没有人掉队：现实世界联邦渐进学习中国科学院；中国科学院大学TPAMI2024[文章] [PDF] [代码]
通用异构联邦跨相关和实例相似性学习武汉大学TPAMI2024[文章] [PDF] [代码]
具有自适应差分隐私的多阶段异步联邦学习惠普大学；西安交通大学TPAMI2024[文章] [PDF] [代码]
具有在线拉普拉斯近似的贝叶斯联邦学习框架南方科技大学TPAMI2024[文章] [PDF] [代码]
联邦学习的单次经验隐私估计谷歌ICLR2024[文章] [PDF]
联邦学习中具有通信压缩的随机控制平均领英；宾夕法尼亚大学ICLR2024[文章] [PDF]
解决联邦平均中的未知参与统计的轻量方法国际商业机器公司ICLR2024[文章] [PDF] [代码]
从互信息的角度看联邦对比学习高通ICLR2024[文章]
联邦领域泛化算法的基准测试普渡大学ICLR2024[文章] [PDF] [代码]
混合数据上有效且高效的联邦树学习加州大学伯克利分校ICLR2024[文章] [PDF]
具有附加个性化的联邦推荐悉尼科技大学ICLR2024[文章] [PDF] [代码]
通过缓存更新校准解决异步联邦学习中的数据异构性宾夕法尼亚州立大学ICLR2024[文章] [补充资料]
联邦正交训练：缓解持续联邦学习中的全局灾难性遗忘南加州大学ICLR2024[文章] [补充资料] [PDF]
异构联邦持续学习的准确遗忘清华大学ICLR2024[文章] [代码]
从异构数据中发现联邦因果关系阿布扎比穆罕默德·本·扎耶德人工智能大学ICLR2024[文章] [PDF] [代码]
关于差分隐私联邦线性上下文赌博韦恩州立大学ICLR2024[文章] [补充资料] [PDF]
激励诚实通信的联邦赌博弗吉尼亚大学ICLR2024[文章] [PDF]
有原则的联邦域适应：梯度投影和自动加权伊利诺伊大学厄巴纳-香槟分校ICLR2024[文章]
FedP3：在模型异构性下的联邦个性化和隐私友好型网络剪枝沙特阿卜杜拉国王科技大学ICLR2024[文章]
基于文本驱动的视觉语言模型生成提示在联邦学习中的应用罗伯特·博世有限公司ICLR2024[文章] [PDF]
改进隐私保护联邦学习中的 LoRA东北大学ICLR2024[文章]
FedWon：在多领域联邦学习中没有规范化的情况下取得胜利索尼人工智能团队ICLR2024[文章] [PDF]
FedTrans：用于鲁棒联邦学习的客户端透明效用估计代尔夫特理工大学ICLR2024[文章]
FedCompass：使用计算能力感知调度器在异构客户端设备上的高效跨数据中心联邦学习阿贡国家实验室；伊利诺伊大学厄巴纳-香槟分校；国家超级计算应用中心ICLR2024[文章] [PDF] [代码] [页面]
用于个性化联邦学习的贝叶斯核集优化印度理工学院孟买ICLR2024[文章]
层次线性模式连接鲁尔大学波鸿校区ICLR2024[文章] [PDF] [补充资料]
假装直到成功：以共识为导向生成的联邦学习上海交通大学ICLR2024[文章] [PDF]
隐藏在明处：在联邦学习中伪装数据窃取攻击保加利亚国家科学院人工智能科学研究院ICLR2024[文章] [补充资料] [PDF]
具有有限时间分析的异步联邦强化学习哥伦比亚大学ICLR2024[文章] [PDF]
自适应联邦学习与自动调整的客户端莱斯大学ICLR2024[文章] [补充资料] [PDF]
通过毒化关键层实现后门联邦学习圣母大学ICLR2024[文章] [补充资料] [PDF]
联邦Q学习：低通信成本的线性遗憾加速宾夕法尼亚州立大学ICLR2024[文章] [补充资料] [PDF]
FedImpro：测量和改进联邦学习中的客户端更新香港浸会大学ICLR2024[文章] [PDF]
联邦瓦瑟斯坦距离麻省理工学院ICLR2024[文章] [补充资料] [PDF]
关于联邦学习中每样本和每更新裁剪的改进分析丹麦技术大学ICLR2024[文章]
FedCDA: 联邦学习中的跨轮次发散感知聚合南洋理工大学ICLR2024[PUB] [SUPP]
内部跨层梯度用于扩展联邦学习中的同质性到异质性香港大学ICLR2024[PUB] [PDF]
动量简单且有证明地有利于非独立同分布联邦学习北京大学; 宾夕法尼亚大学ICLR2024[PUB] [PDF]
高效通信的联邦非线性赌博优化耶鲁大学ICLR2024[PUB] [PDF]
垂直联邦学习的公平且高效的贡献估值华为ICLR2024[PUB] [SUPP] [PDF] [CODE]
使用部分信息分解分析联邦学习中的局部和全局公平性权衡马里兰大学学院公园分校ICLR2024[PUB] [PDF]
为异质联邦客户端学习个性化因果不变表示理大ICLR2024[PUB]
PeFLL: 通过学习来学习的个性化联邦学习科技研究所ICLR2024[PUB] [SUPP] [PDF]
分布式变分不等式的高效通信梯度下降-上升方法：统一分析与局部更新约翰霍普金斯大学ICLR2024[PUB] [SUPP] [PDF]
FedInverse: 评估联邦学习中的隐私泄露南昆士兰大学ICLR2024[PUB] [SUPP]
FedDA: 用于联邦约束优化的更快自适应梯度方法马里兰大学学院公园分校ICLR2024[PUB] [SUPP] [PDF]
在极端标签缺乏情况下的联邦模型鲁棒训练香港浸会大学ICLR2024[PUB] [PDF] [CODE]
通过特征学习理论理解联邦学习中的收敛和泛化理化学研究所AIPICLR2024[PUB]
教语言模型钓鱼: 从语言模型中窃取私人信息普林斯顿大学ICLR2024[PUB]
像油和水: 群体鲁棒性方法和中毒防御不混合马里兰大学学院公园分校ICLR2024[PUB]
在各向异性梯度噪声下加速随机重球方法的收敛香港科技大学ICLR2024[PUB] [PDF]
消除梯度反转攻击中硬标签约束中国科学院ICLR2024[PUB] [SUPP] [PDF] [CODE]
局部复合鞍点优化普渡大学ICLR2024[PUB] [PDF]
通过相关动力学模型增强神经训练台北工业学院ICLR2024[PUB] [PDF]
EControl: 具有压缩和错误控制的快速分布式优化萨尔大学ICLR2024[PUB] [SUPP] [PDF]
构建垂直联邦学习的对抗样本: 通过多臂赌博的最佳客户端腐败香港科技大学ICLR2024[PUB]
FedHyper: 使用超梯度下降的联邦学习的通用且稳健的学习率调度器马里兰大学学院公园分校ICLR2024[PUB] [SUPP] [PDF] [CODE]
通过收敛率局部全局更新混合的异质个性化联邦学习香港中文大学ICLR2024[PUB]
打破物理和语言界限: 低资源语言的多语言联邦提示调整剑桥大学ICLR2024[PUB]
简单最小最大最优拜占庭鲁棒算法用于梯度异质性的非凸目标NTT DATA数学系统公司ICLR2024[PUB]
VFLAIR: 垂直联邦学习的研究图书馆和基准清华大学ICLR2024[PUB] [PDF] [CODE]
具有训练时间模型奖励的激励意识联邦学习国立新加坡大学ICLR2024[PUB] [SUPP]
VertiBench: 推进垂直联邦学习基准中的特征分配多样性国立新加坡大学ICLR2024[PUB] [PDF] [CODE]
FedLoGe: 长尾数据下的联合本地和通用联邦学习浙江大学ICLR2024[PUB] [SUPP] [PDF]
SimFBO: 走向简单、灵活和高效通信的联邦双级学习布法罗大学NeurIPS2023[PUB] [PDF] [SUPP]
协作正态均值估计的机制设计威斯康星大学麦迪逊分校NeurIPS2023[PUB] [PDF]
鲁棒分布式学习: 数据异质性下的紧误差界限和崩溃点瑞士联邦理工学院NeurIPS2023[PUB] [PDF] [CODE]
联邦学习中的激励: 最大化福利的均衡、动态和机制伊利诺伊大学厄巴纳香槟分校NeurIPS2023[PUB] [SUPP]
异质数据上的顺序联邦学习的收敛性分析北京邮电大学NeurIPS2023[PUB] [PDF] [CODE]
通过架构设计处理联邦视觉识别的数据异质性穆罕默德本扎耶德人工智能大学NeurIPS2023[PUB] [PDF] [CODE]
私人联邦频率估计: 适应实例的难度约翰霍普金斯大学NeurIPS2023[PUB] [SUPP] [PDF]
非可微、非凸和层级联邦优化的零阶方法罗格斯大学NeurIPS2023[PUB] [SUPP] [PDF]
联邦赌博中的激励通信弗吉尼亚大学NeurIPS2023[PUB] [PDF]
目标平均处理效果的多重鲁棒联邦估计东北大学NeurIPS2023[PUB] [PDF]
IBA: 面向联邦学习中无法逆转的后门攻击范德堡大学；VinUniversityNeurIPS2023[PUB] [SUPP] [CODE]
EvoFed: 采用进化策略进行通信高效的联邦学习KAISTNeurIPS2023[PUB] [SUPP] [PDF]
具有有限对抗行动的联邦线性赌博弗吉尼亚大学NeurIPS2023[PUB] [SUPP] [PDF]
FedNAR: 使用归一化退火正则化的联邦优化MBZUAINeurIPS2023[PUB] [SUPP] [PDF] [CODE]
通过预训练模型引导联邦学习中的最后一层康考迪亚大学NeurIPS2023[PUB] [SUPP] [PDF] [CODE]
联邦零阶优化的细粒度理论分析华中农业大学NeurIPS2023[PUB] [SUPP]
在联邦学习中导航数据异质性: 一种用于物体检测的半监督方法KAISTNeurIPS2023[PUB] [SUPP] [PDF] [CODE]
一种用于视觉任务的联邦增量学习中缓解灾难性遗忘的数据无关方法南加州大学NeurIPS2023[PUB] [PDF] [CODE]
异质性臭名昭著吗？驯服异质性以应对联邦学习中的测试时间变化悉尼科技大学NeurIPS2023[PUB] [SUPP]
用于测量联邦学习中数据异质性的一次性分布素描莱斯大学NeurIPS2023[PUB] [SUPP] [CODE]
Lockdown: 使用隔离子空间训练的联邦学习后门防御佐治亚理工学院NeurIPS2023[PUB] [SUPP] [CODE]
FedGame: 一种联邦学习后门攻击的博弈论防御帕克研究所；伊利诺伊大学香槟分校NeurIPS2023[PUB] [SUPP] [CODE]
通过异质模型重组实现个性化联邦学习帕克研究所NeurIPS2023[PUB] [SUPP] [PDF] [CODE]
每个参数都很重要: 确保联邦学习通过动态异质模型减少收敛乔治·华盛顿大学NeurIPS2023[PUB] [SUPP] [PDF]
DFRD: 异质联邦学习的数据无关鲁棒性蒸馏华东师范大学NeurIPS2023[PUB] [SUPP] [PDF] [CODE]
垂直联邦学习中隐私和通信效率的统一解决方案西安大略大学NeurIPS2023[PUB] [SUPP] [CODE]
RECESS 疫苗用于联邦学习：对抗模型中毒攻击的主动防御西安电子科技大学；圭尔夫大学；浙江省多维感知技术、应用与网络安全重点实验室NeurIPS2023[PUB] [SUPP] [PDF]
通过双边策展实现部分类别分开的数据的联邦学习上海交通大学；上海人工智能实验室NeurIPS2023[PUB] [SUPP] [CODE]
具有客户端子采样、数据异质性和无限平滑度的联邦学习：一种新算法和下限乔治·梅森大学；上海交通大学NeurIPS2023[PUB] [SUPP] [CODE]
FedL2P: 个人定制的联邦学习剑桥大学；三星人工智能中心NeurIPS2023[PUB] [SUPP] [PDF] [CODE]
自适应测试时间个性化在联邦学习中的应用伊利诺伊大学香槟分校NeurIPS2023[PUB] [PDF] [CODE]
联邦条件随机优化匹兹堡大学NeurIPS2023[PUB] [SUPP] [PDF] [CODE]
通过安全相似性重建实现联邦谱聚类香港中文大学NeurIPS2023[PUB]
在无基础设施和异质环境中通过随机游走随机ADMM调动个性化联邦学习密歇根大学迪尔伯恩分校NeurIPS2023[PUB] [SUPP] [PDF]
FedGCN: 联邦训练图卷积网络中的收敛-通信权衡卡内基梅隆大学NeurIPS2023[PUB] [SUPP] [PDF] [CODE]
联邦多目标学习罗切斯特理工学院NeurIPS2023[PUB] [SUPP] [PDF]
FLuID: 使用不变Dropout缓解联邦学习中的落后者问题英属哥伦比亚大学；佐治亚理工学院NeurIPS2023[PUB] [SUPP] [PDF] [CODE]
解决拉锯战：联邦学习中的通信和学习分离匹兹堡大学NeurIPS2023[PUB] [SUPP]
在具有全局和局部下层问题的双层优化联邦学习中的通信效率匹兹堡大学NeurIPS2023[PUB] [SUPP] [PDF]
StableFDG: 基于风格和注意力的联邦域泛化学习KAIST；普渡大学NeurIPS2023[PUB] [PDF]
理解一致性如何在分布式学习中通过阶段性放松初始化发挥作用悉尼大学NeurIPS2023[出版] [补充材料] [PDF]
DELTA: 用于加速分布式学习的多样化客户端采样中大; 深圳人工智能与机器人研究院NeurIPS2023[出版] [补充材料] [PDF]
联邦组合深度AUC最大化天普大学NeurIPS2023[出版] [补充材料] [PDF]
A3FL: 面向分布式学习的自适应后门攻击宾夕法尼亚州立大学NeurIPS2023[出版] [补充材料] [代码]
Flow: 个性化分布式学习马萨诸塞大学NeurIPS2023[出版] [补充材料] [PDF] [代码]
消除表示空间中的域偏差以进行分布式学习上海交通大学NeurIPS2023[出版] [补充材料] [PDF] [代码]
带流形正则化和归一化更新重组的分布式学习北京理工大学NeurIPS2023[出版] [补充材料] [PDF]
通过聚类加法建模的结构化分布式学习悉尼科技大学NeurIPS2023[出版] [补充材料]
Fed-GraB: 具有自适应梯度平衡器的长尾分布式学习浙江大学; 新加坡科技设计大学NeurIPS2023[出版] [补充材料] [PDF] [代码]
具有自适应差分隐私的动态个性化分布式学习武汉大学NeurIPS2023[出版] [补充材料] [代码]
Fed-CO$_{2}$ : 用于严重数据异质性的分布式学习中在线和离线模型的合作上海科技大学NeurIPS2023[出版] [补充材料] [PDF] [代码]
解决分布式学习中的一类非凸最小二乘优化匹兹堡大学NeurIPS2023[出版] [补充材料] [PDF] [代码]
通过元变分Dropout进行分布式学习首尔国立大学NeurIPS2023[出版] [代码]
通过ADMM算法的梯度更新提高分布式自然政策梯度的通信效率普渡大学NeurIPS2023[出版] [补充材料] [PDF]
SPACE: 通过单轮参与者融合评估分布式学习中的贡献南洋理工大学NeurIPS2023[出版] [代码]
Fed-FA: 理论建模客户端数据分歧以防御分布式语言后门攻击北京大学; 腾讯NeurIPS2023[出版] [补充材料]
FedFed: 在分布式学习中对抗数据异质性的特征提炼北京航空航天大学; 香港浸会大学NeurIPS2023[出版] [PDF] [代码]
PRIOR: 个性化前置以激活分布式学习中被忽视的信息四川大学NeurIPS2023[出版] [补充材料] [PDF] [代码] [解读]
光谱共同提炼: 个性化分布式学习新加坡科技设计大学NeurIPS2023[出版]
通过$f$-差分隐私打破通信-隐私-准确性权衡浙江大学NeurIPS2023[出版] [补充材料] [PDF]
在分布式均值估计中精确优化通信-隐私-效用权衡斯坦福大学NeurIPS2023[出版] [补充材料] [PDF] [代码]
（增强的）带状矩阵分解: 用于私有训练的统一方法谷歌深度思维NeurIPS2023[出版] [补充材料] [PDF]
通过连续层训练在计算受限设备上的分布式学习中聚合容量卡尔斯鲁厄理工学院NeurIPS2023[出版] [补充材料] [PDF] [代码]
通过压缩实现隐私放大: 在分布式均值估计中实现最佳隐私-准确性-通信权衡斯坦福大学NeurIPS2023[出版] [补充材料] [PDF]
在协作学习和优化中激励竞争者的诚实性苏黎世联邦理工学院NeurIPS2023[出版] [补充材料] [PDF]
有弹性的受限学习宾夕法尼亚大学NeurIPS2023[出版] [补充材料] [PDF]
在部分参与设置中用于分布式非凸问题的计算和通信高效方法阿卜杜拉国王科技大学NeurIPS2023[出版] [补充材料] [PDF] [代码]
合作学习结构化缺失数据的线性模型斯坦福大学NeurIPS2023[出版] [补充材料] [PDF] [代码]
带有线性相关噪声的梯度下降: 理论及其在差分隐私中的应用洛桑联邦理工学院NeurIPS2023[出版] [补充材料] [PDF]
通过随机投影实现快速最优本地私有均值估计苹果公司NeurIPS2023[出版] [补充材料] [PDF] [代码]
上下文随机双层优化洛桑联邦理工学院; 苏黎世联邦理工学院NeurIPS2023[出版] [补充材料] [PDF]
通过逆向影响函数理解深度梯度泄露MSU; 密歇根州立大学; 德克萨斯大学奥斯汀分校NeurIPS2023[PUB] [SUPP] [PDF] [CODE]
基于内积的神经网络相似性普渡大学NeurIPS2023[PUB] [SUPP]
使用随机投影的相关感知稀疏均值估计卡内基梅隆大学NeurIPS2023[PUB] [SUPP] [PDF] [CODE]
TIES合并：解决模型合并时的干扰北卡罗来纳大学NeurIPS2023[PUB] [SUPP] [PDF] [CODE]
全球更新跟踪：一个针对异质数据的去中心化学习算法普渡大学NeurIPS2023[PUB] [SUPP] [PDF] [CODE]
通过设备上的私密LSH进行大规模分布式学习马里兰大学NeurIPS2023[PUB] [SUPP] [PDF]
使用贪婪拒绝编码进行更快的相对熵编码剑桥大学NeurIPS2023[PUB] [SUPP] [PDF] [CODE]
无过参数化的两层神经网络局部SGD的全局收敛性分析上海交通大学NeurIPS2023[PUB] [SUPP]
动量确实改善了误差反馈！ETH AI中心; 苏黎世联邦理工学院NeurIPS2023[PUB] [SUPP] [PDF]
竞争对手间的战略数据共享索菲亚大学NeurIPS2023[PUB] [SUPP] [PDF]
H-nobs: 在异质数据集上的分布式学习中实现认证的公平性和鲁棒性乔治梅森大学NeurIPS2023[PUB]
Wyze Rule: 联邦规则推荐基准规则数据集Wyze LabsNeurIPS 数据集与基准2023[PUB] [SUPP] [DATASET]
面向联邦基础模型：用于群组结构学习的可扩展数据集管道谷歌研究院NeurIPS 数据集与基准2023[PUB] [PDF] [DATASET]
在联邦学习中生成视觉语言模型的文本驱动提示NeurIPS 研讨会2023[PUB]
HePCo: 面向连续联邦学习的数据自由异质提示整合NeurIPS 研讨会2023[PUB]
隐私攻击中超越梯度和先验：利用联邦学习中语言模型的池层输入NeurIPS 研讨会2023[PUB]
FOCUS: 通过代理感知实现联邦学习中的公平性NeurIPS 研讨会2023[PUB]
FedSoL: 在联邦学习中弥合全局对齐与本地普适性NeurIPS 研讨会2023[PUB]
一次性经验隐私估计用于联邦学习NeurIPS 研讨会2023[PUB]
Profit: 联邦提示调优中个性化与鲁棒性折中基准NeurIPS 研讨会2023[PUB]
SLoRA: 联邦学习中高效参数的语言模型微调NeurIPS 研讨会2023[PUB]
在异质隐私约束下识别数据的公平价值NeurIPS 研讨会2023[PUB]
构建FederatedGPT：联邦指令调优NeurIPS 研讨会2023[PUB]
随着大规模自动语音识别的趋势重新审视联邦学习NeurIPS 研讨会2023[PUB]
LASER: 无线分布式优化中的线性压缩NeurIPS 研讨会2023[PUB]
MARINA与矩阵步长见面：方差减少分布式非凸优化NeurIPS 研讨会2023[PUB]
TAMUNA: 带有本地训练、压缩和部分参与的双重加速联邦学习NeurIPS 研讨会2023[PUB]
联邦上下文带算法的经验评估NeurIPS 研讨会2023[PUB]
RealFM: 用于激励数据贡献和设备参与的现实机制NeurIPS 研讨会2023[PUB]
FDAPT: 面向语言模型的联邦领域自适应预训练NeurIPS 研讨会2023[PUB]
在联邦深度学习中让批量归一化更好NeurIPS 研讨会2023[PUB]
相关噪声在差分隐私学习中确实优于独立噪声NeurIPS 研讨会2023[PUB]
多任务语言模型的参数平均规律NeurIPS 研讨会2023[PUB]
打破物理和语言边界：用于低资源语言的多语言联邦提示调优NeurIPS 研讨会2023[PUB]
模型聚合中的超越参数平均NeurIPS 研讨会2023[PUB]
使用预训练变换器增强联邦学习NeurIPS 研讨会2023[PUB]
表示上的共识优化：通过数据中心正则化改善个性化联邦学习NeurIPS 研讨会2023[PUB]
DPZero: 维度无关的差分隐私零阶优化NeurIPS 研讨会2023[PUB]
利用基础模型提升轻量客户端在联邦学习中的表现NeurIPS 研讨会2023[PUB]
FedML-HE: 基于同态加密的高效隐私保护联邦学习系统NeurIPS 研讨会2023[PUB]
为局部SGD学习优化器NeurIPS 研讨会2023[PUB]
探索具有扩散先验的用户级梯度逆转NeurIPS 研讨会2023[PUB]
大型语言模型上的用户推理攻击NeurIPS 研讨会2023[PUB]
FedLDA: 通过协作线性判别分析实现个性化联邦学习NeurIPS 研讨会2023[PUB]
异质化LoRA用于设备端基础模型的联邦微调NeurIPS 研讨会2023[PUB]
来自被破坏基础模型的联邦学习后门威胁NeurIPS 研讨会2023[PUB]
MOFL/D: 具有分解的联邦多目标学习框架NeurIPS 研讨会2023[PUB]
绝对变化距离：一种用于联邦学习逆向攻击的评估指标NeurIPS 研讨会2023[PUB]
Fed3R: 用于强预训练模型的递归岭回归联邦学习NeurIPS 研讨会2023[PUB]
FedFN: 用于缓解联合学习中数据异质性问题的特征归一化NeurIPS 研讨会2023[PUB]
在联合设置中进行私人和个性化直方图估计NeurIPS 研讨会2023[PUB]
联合学习中的聚合–异质性权衡北京大学COLT2023[PUB]
FLASH: 使用CASH自动化联合学习伦斯勒理工学院UAI2023[PUB] [SUPP] [MATERIAL]
用于项目推荐的个性化联合领域适应AWS AI实验室UAI2023[PUB] [PDF] [SUPP] [MATERIAL] [CODE]
Fed-LAMB: 层次和维度局部自适应的联合学习百度研究院UAI2023[PUB] [PDF] [SUPP] [MATERIAL]
使用共识图预训练不同特征模型的联合学习IBM研究院UAI2023[PUB] [SUPP] [MATERIAL] [CODE]
混合客户端选择的快速异质联合学习西北工业大学UAI2023[PUB] [SUPP] [MATERIAL] [PDF]
学习反演：联邦学习中简单自适应的梯度反演攻击康奈尔大学UAI2023[PUB] [PDF] [SUPP] [MATERIAL] [CODE]
动态正则化锐度感知最小化在联合学习中：接近全局一致性和平滑景观悉尼大学ICML2023[PUB] [PDF] [SLIDES]
带有偏压压缩的联合非凸优化中的误差反馈分析：快速收敛和部分参与LinkedIn广告ICML2023[PUB] [PDF]
FedHPO-Bench：联合超参数优化的基准套件阿里巴巴集团ICML2023[PUB] [PDF] [CODE]
用于分布式不确定性量化的联合保序预测器麻省理工学院ICML2023[PUB] [PDF] [CODE]
联邦对抗学习：收敛性分析框架不列颠哥伦比亚大学ICML2023[PUB] [PDF]
在线性草图下恢复联合中重击者谷歌研究院ICML2023[PUB] [PDF] [CODE]
双重对抗联合赌博机伦敦政治经济学院ICML2023[PUB] [PDF] [CODE]
在非独立同分布的联合双层学习中实现线性加速加州大学ICML2023[PUB] [PDF]
一次性联合保序预测巴黎萨克雷大学ICML2023[PUB] [PDF] [CODE]
联邦在线和赌博机凸优化芝加哥丰田技术研究所ICML2023[PUB]
用户级差分隐私的联邦线性上下文赌博机宾夕法尼亚州立大学ICML2023[PUB] [PDF]
垂直联合图神经网络推荐系统新加坡国立大学ICML2023[PUB] [PDF] [CODE]
通过聚合迭代微分进行通信高效的联合超梯度计算布法罗大学ICML2023[PUB] [PDF]
探索联合学习中集成蒸馏的理解韩国先进科学技术研究院ICML2023[PUB]
个性化子图联合学习韩国先进科学技术研究院ICML2023[PUB] [PDF] [CODE]
标签偏移下联合不确定性量化的保序预测拉格朗日数学与计算研究中心; CMAPICML2023[PUB] [PDF]
安全的联合相关性测试和熵估计卡内基梅隆大学ICML2023[PUB] [PDF]
通过隐含的不变关系实现联合学习中的分布外泛化吉林大学ICML2023[PUB] [CODE]
分布混合下的个性化联合学习加州大学洛杉矶分校ICML2023[PUB] [PDF] [CODE]
FedDisco: 差异感知合作的联合学习方法上海交通大学ICML2023[PUB] [PDF] [CODE]
部分客户端参与的联合学习中的锚点采样普渡大学ICML2023[PUB] [PDF] [CODE]
用自调压力缩压的私人联合学习约翰·霍普金斯大学; 谷歌ICML2023[PUB] [PDF]
具有非线性功能理论的快速联合机器学习奥本大学ICML2023[PUB]
循环客户端参与的联合平均收敛性卡内基梅隆大学ICML2023[PUB] [PDF]
重新审视神经网络中联合学习的加权聚合浙江大学ICML2023[PUB] [PDF] [CODE]
联邦Q学习中的异质性福音：线性加速及其延展卡内基梅隆大学ICML2023[PUB] [PDF] [SLIDES]
GuardHFL: 异质联合学习的隐私保护电子科技大学; 南洋理工大学ICML2023[PUB]
Flash: 联合学习中的概念漂移适应马萨诸塞大学ICML2023[PUB]
DoCoFL: 跨设备联合学习的下行压缩VMware研究; 以色列理工学院ICML2023[PUB] [PDF]
FeDXL: Provable Federated Learning for Deep X-Risk Optimization德州农工大学ICML2023[PUB] [PDF] [CODE]
No One Idles: Efficient Heterogeneous Federated Learning with Parallel Edge and Server Computation哈尔滨工业大学ICML2023[PUB] [CODE]
Personalized Federated Learning with Inferred Collaboration Graphs上海交通大学ICML2023[PUB] [CODE]
Optimizing the Collaboration Structure in Cross-Silo Federated Learning伊利诺伊大学厄巴纳香槟分校ICML2023[PUB] [PDF] [CODE] [SLIDES]
TabLeak: Tabular Data Leakage in Federated Learning瑞士苏黎世联邦理工学院ICML2023[PUB] [PDF] [CODE]
FedCR: Personalized Federated Learning Based on Across-Client Common Representation with Conditional Mutual Information Regularization上海交通大学ICML2023[PUB] [CODE]
Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction杜克大学ICML2023[PUB] [PDF]
Privacy-Aware Compression for Federated Learning Through Numerical Mechanism DesignMeta AIICML2023[PUB] [PDF] [CODE]
SRATTA: Sample Re-ATTribution Attack of Secure Aggregation in Federated LearningOwkin Inc.ICML2023[PUB] [PDF] [CODE]
Improving the Model Consistency of Decentralized Federated Learning清华大学ICML2023[PUB] [PDF]
Efficient Personalized Federated Learning via Sparse Model-Adaptation阿里巴巴集团ICML2023[PUB] [PDF] [CODE]
From Noisy Fixed-Point Iterations to Private ADMM for Centralized and Federated Learning里尔大学ICML2023[PUB] [PDF] [CODE]
LeadFL: Client Self-Defense against Model Poisoning in Federated Learning达姆施塔特工业大学ICML2023[PUB] [CODE]
Chameleon: Adapting to Peer Images for Planting Durable Backdoors in Federated Learning香港科技大学ICML2023[PUB] [PDF] [CODE]
FedVS: Straggler-Resilient and Privacy-Preserving Vertical Federated Learning for Split Models香港科技大学ICML2023[PUB] [PDF]
FedBR: Improving Federated Learning on Heterogeneous Data via Local Learning Bias Reduction香港中文大学；深圳人工智能与机器人研究院ICML2023[PUB] [PDF] [CODE]
Towards Unbiased Training in Federated Open-world Semi-supervised Learning香港理工大学ICML2023[PUB] [PDF] [SLIDES]
Cocktail Party Attack: Breaking Aggregation-Based Privacy in Federated Learning Using Independent Component Analysis佐治亚理工学院；Meta AIICML2023[PUB] [PDF]
Surrogate Model Extension (SME): A Fast and Accurate Weight Update Attack on Federated Learning鲁汶大学ICML2023[PUB] [PDF] [CODE]
Fair yet Asymptotically Equal Collaborative Learning新加坡国立大学ICML2023[PUB] [PDF] [CODE]
Sketching for First Order Method: Efficient Algorithm for Low-Bandwidth Channel and VulnerabilityAdobe研究院ICML2023[PUB] [PDF]
Adversarial Collaborative Learning on Non-IID Features加州大学伯克利分校； 新加坡国立大学ICML2023[PUB]
XTab: Cross-table Pretraining for Tabular Transformers洛桑联邦理工学院；康奈尔大学；AWSICML2023[PUB] [PDF] [CODE]
Momentum Ensures Convergence of SIGNSGD under Weaker Assumptions国防科技大学ICML2023[PUB]
Byzantine-Robust Learning on Heterogeneous Data via Gradient Splitting浙江省智能计算大数据重点实验室；浙江大学；索尼AI研究所ICML2023[PUB] [PDF] [CODE]
LESS-VFL: Communication-Efficient Feature Selection for Vertical Federated Learning伦斯勒理工学院ICML2023[PUB] [PDF]
FedAvg Converges to Zero Training Loss Linearly for Overparameterized Multi-Layer Neural Networks明尼苏达大学ICML2023[PUB]
Addressing Budget Allocation and Revenue Allocation in Data Market Environments Using an Adaptive Sampling Algorithm芝加哥大学ICML2023[PUB] [PDF] [CODE]
Ensemble and continual federated learning for classification tasks.圣地亚哥德孔波斯特拉大学Mach Learn2023[PUB] [PDF]
FAC-fed: Federated adaptation for fairness and concept drift aware stream classification汉诺威大学Mach Learn2023[PUB]
Robust federated learning under statistical heterogeneity via hessian-weighted aggregation迪肯大学Mach Learn2023[PUB]
FedLab: A Flexible Federated Learning Framework :fire:电子科技大学；鹏城实验室JMLR2023[PUB] [PDF] [CODE]
Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and Personalized Federated Learning德州农工大学JMLR2023[PUB] [PDF] [CODE]
A First Look into the Carbon Footprint of Federated Learning剑桥大学JMLR2023[PUB] [PDF]
Attacks against Federated Learning Defense Systems and their Mitigation纽卡斯尔大学JMLR2023[PUB] [CODE]
A General Theory for Federated Optimization with Asynchronous and Heterogeneous Clients Updates蓝色海岸大学JMLR2023[PUB] [PDF] [CODE]
Tighter Regret Analysis and Optimization of Online Federated Learning汉阳大学TPAMI2023[PUB] [PDF]
Efficient Federated Learning Via Local Adaptive Amended Optimizer With Linear Speedup悉尼大学TPAMI2023[PDF]
Federated Learning Via Inexact ADMM.北京交通大学TPAMI2023[PUB] [PDF] [CODE]
FedIPR: 联邦深度神经网络模型的所有权验证SJTUTPAMI2023[PUB] [PDF] [CODE] [解读]
去中心化的联邦平均NUDTTPAMI2023[PUB] [PDF]
基于特征对齐和分类器协作的个性化联邦学习THUICLR2023[PUB] [CODE]
MocoSFL: 实现跨客户端协同自监督学习ASUICLR2023[PUB] [CODE]
联邦学习的一次性通用超参数优化IBMICLR2023[PUB] [PDF] [CODE]
从哪里开始？ 探讨联邦学习中的预训练和初始设置的影响FacebookICLR2023[PUB] [PDF] [CODE]
FedExP: 通过外推加速联邦平均CMUICLR2023[PUB] [PDF] [CODE]
将联邦学习中的异质性难题转化为OOD检测的福祉MSUICLR2023[PUB] [CODE]
DASHA: 带通信压缩和最优Oracle复杂度的分布式非凸优化KAUSTICLR2023[PUB] [PDF] [CODE]
联邦集群的机器遗忘伊利诺伊大学ICLR2023[PUB] [PDF] [CODE]
联邦神经带NUSICLR2023[PUB] [PDF] [CODE]
FedFA: 联邦特征增强苏黎世联邦理工学院ICLR2023[PUB] [PDF] [CODE]
联邦学习即变分推断：一种可扩展的期望传播方法CMUICLR2023[PUB] [PDF] [CODE]
更佳生成再现的连续联邦学习弗吉尼亚大学ICLR2023[PUB] [CODE]
小规模数据集的联邦学习IKIMICLR2023[PUB] [PDF]
联邦最近邻机器翻译中科大ICLR2023[PUB] [PDF]
用于联邦学习的元知识凝缩A*STARICLR2023[PUB] [PDF]
联邦学习的测试时间鲁棒个性化EPFLICLR2023[PUB] [PDF] [CODE]
DepthFL : 针对异构客户端的深度联邦学习SNUICLR2023[PUB]
解决一次性联邦学习中的标签偏斜问题NUSICLR2023[PUB] [CODE]
理解和减轻异构联邦学习中的维度崩塌NUSICLR2023[PUB] [PDF] [CODE]
联邦学习中的淘金：在任意大规模聚合下的目标文本提取UMDICLR2023[PUB] [CODE]
SWIFT: 通过无等待模型通信实现快速去中心化联邦学习UMDICLR2023[PUB] [PDF] [CODE]
无可信服务器的私密联邦学习：凸损失的最优算法USCICLR2023[PUB] [PDF] [CODE]
针对过度参数化模型的联邦学习中的被动成员推断攻击普渡大学ICLR2023[PUB]
FiT: 用于个性化和联邦图像分类的参数高效小样本迁移学习剑桥大学ICLR2023[PUB] [PDF] [CODE]
通过对比表示集成的多模态联邦学习THUICLR2023[PUB] [PDF] [CODE]
二阶相似性下更快的联邦优化普林斯顿大学ICLR2023[PUB] [PDF] [CODE]
FedSpeed: 更大的本地间隔、较少的通信轮次和更高的泛化精度悉尼大学ICLR2023[PUB] [CODE]
双重优势：通过数据无关的超知识蒸馏在联邦学习中实现准确的全局和个性化模型德克萨斯大学ICLR2023[PUB] [PDF] [CODE]
PerFedMask: 通过优化掩码向量实现个性化联邦学习UBCICLR2023[PUB] [CODE]
EPISODE: 带周期性重采样校正的联邦学习逐段梯度裁剪GMUICLR2023[PUB] [CODE]
FedDAR: 联邦领域感知表示学习哈佛大学ICLR2023[PUB] [PDF] [CODE]
仅共享表示：保证联邦学习中隐私效用权衡的改进宾夕法尼亚大学ICLR2023[PUB] [CODE]
FLIP: 用于后门干扰缓解的可证明防御框架普渡大学ICLR2023[PUB] [PDF] [CODE]
联邦学习的泛化界限：快速速率、不参与的客户端和无限损失RUCICLR2023[PUB]
高效的联邦领域转换普渡大学ICLR2023[PUB] [CODE]
预训练在联邦学习中的重要性和适用性OSUICLR2023[PUB] [PDF] [CODE]
诈骗者：在联邦学习语言模型中，破坏隐私的变压器UMDICLR2023[PUB] [PDF] [CODE]
个性化联邦学习和估计的统计框架：理论、算法和隐私UCLAICLR2023[PUB] [PDF]
联邦学习中的实例级批标签恢复方法北京航空航天大学ICLR2023[PUB] [CODE]
在高统计异质性下的数据无模型一次性联邦学习威廉与玛丽学院ICLR2023[PUB]
CANIFE：在联邦学习中制作金丝雀进行实证隐私测量华威大学ICLR2023[PUB] [PDF] [CODE]
用于通信效率的稀疏随机网络联邦学习StanfordICLR2023[PUB] [PDF] [CODE]
解决加剧的异质性以打造强健的分散模型香港浸会大学ICLR2023[PUB] [CODE]
通过神经网络划分进行超参数优化剑桥大学ICLR2023[PUB] [PDF]
非独立同分布无标签数据的分散学习是否从自监督中受益？麻省理工学院ICLR2023[PUB] [PDF] [CODE]
方差缩减是拜占庭问题的解药：更好的速率、更弱的假设和通信压缩只是锦上添花mbzuaiICLR2023[PUB] [PDF] [CODE]
用于图像到图像翻译的双重扩散隐式桥接StanfordICLR2023[PUB] [PDF] [CODE]
一个准确、可扩展和可验证的联邦差分隐私平均协议INRIA LilleMach Learn2022[PUB] [PDF]
联邦在线聚类带梯度的多臂赌博问题CUHKUAI2022[PUB] [PDF] [CODE]
隐私感知压缩用于联邦数据分析Meta AIUAI2022[PUB] [PDF] [CODE]
通过全局和局部动量加速非凸联邦学习UTEXASUAI2022[PUB] [PDF]
Fedvarp：解决联邦学习中部分客户端参与引起的方差CMUUAI2022[PUB] [PDF]
基于SHPRG的联邦学习高效安全聚合CAS; CASTESTUAI2022[PUB] [PDF]
从观测数据中进行因果效应的贝叶斯联邦估计新加坡国立大学UAI2022[PUB] [PDF]
面向多核在线联邦学习的通信高效随机算法汉阳大学TPAMI2022[PUB]
量化梯度创新的通信高效联邦学习浙江大学TPAMI2022[PUB] [CODE]
通过加速原对偶算法进行通信加速以实现局部梯度方法莫斯科物理技术学院NeurIPS2022[PUB] [PDF]
LAMP：使用深度模型先验从梯度中提取文本苏黎世联邦理工学院NeurIPS2022[PUB] [CODE]
联邦平均与微调：本地更新导致表征学习德克萨斯大学NeurIPS2022[PUB] [PDF]
FedProx的收敛性：局部相似性不变界限、非平滑性及其他南京信息工程大学NeurIPS2022[PUB] [PDF]
通过自适应流中的最优线性算子改进SGD差分隐私威斯康星大学NeurIPS2022[PUB] [CODE]
通过通信网络上的分散算法进行双层优化哥伦比亚大学NeurIPS2022[PUB] [PDF]
投影随机近似的渐近行为：跳跃扩散的视角北京大学NeurIPS2022[PUB]
非各向同性噪音下的异构数据子空间恢复StanfordNeurIPS2022[PUB] [PDF]
EF-BV：有偏和无偏压缩分布式优化的误差反馈和方差缩减机制的统一理论KAUSTNeurIPS2022[PUB] [PDF]
按需采样：从多个分布中最优学习加州大学伯克利分校NeurIPS2022[PUB] [CODE]
改进私有计数草图的效用分析ITUNeurIPS2022[PUB] [PDF] [CODE]
用于分布学习的速率-失真理论界限华为NeurIPS2022[PUB] [CODE]
分散的局部随机梯度外梯度法用于变分不等式莫斯科物理技术学院NeurIPS2022[PUB] [PDF]
BEER：带通信压缩的分散非凸优化的快速 O(1/T) 速率PrincetonNeurIPS2022[PUB] [PDF] [CODE]
通过偏差-方差减少的局部扰动SGD在通信高效非凸分布学习中逃离鞍点东京大学NeurIPS2022[PUB] [PDF]
副本间的近似最优协同学习INRIA; InsermNeurIPS2022[PUB] [PDF] [CODE]
带有理论保证的分布式变分不等式压缩通信方法莫斯科物理技术学院NeurIPS2022[PUB] [PDF]
连续非凸优化中的最优通信复杂度TTICNeurIPS2022[PUB] [CODE]
FedPop：个性化联邦学习的贝叶斯方法SkoltechNeurIPS2022[PUB] [PDF]
通过核心稳定性在联邦学习中实现公平性UIUCNeurIPS2022[PUB] [CODE]
SecureFedYJ：一种用于联邦学习的安全特征高斯化协议索邦大学NeurIPS2022[PUB] [PDF]
FedRolex：滚动子模型提取的模型异构联邦学习密歇根州立大学NeurIPS2022[PUB] [CODE]
样本优化在个性化协作学习和联邦学习中的应用INRIANeurIPS2022[PUB]
DReS-FL: 通过秘密数据共享在非独立同分布客户端上实现抗丢包安全联邦学习香港科技大学NeurIPS2022[PUB] [PDF]
FairVFL: 基于对抗学习的公平垂直联邦学习框架清华大学NeurIPS2022[PUB]
方差减少的ProxSkip: 算法、理论及其在联邦学习中的应用沙特阿卜杜拉国王科技大学NeurIPS2022[PUB] [PDF]
VF-PS: 如何选择重要参与者在垂直联邦学习中，高效且安全？武汉大学NeurIPS2022[PUB] [CODE]
DENSE: 数据无关的一次性联邦学习浙江大学NeurIPS2022[PUB] [PDF]
CalFAT: 具有标签偏移的校准联邦对抗训练浙江大学NeurIPS2022[PUB] [PDF]
SAGDA: 在联邦Min-Max学习中实现O(ϵ−2)通信复杂度俄亥俄州立大学NeurIPS2022[PUB] [PDF]
在联邦学习中控制胖尾噪声俄亥俄州立大学NeurIPS2022[PUB] [PDF]
个性化联邦学习以提高通信效率、鲁棒性和公平性北京大学NeurIPS2022[PUB]
热数据和冷数据特征的联邦子模型优化上海交通大学NeurIPS2022[PUB]
BooNTK: 使用自举神经切线核凸化联邦学习加州大学伯克利分校NeurIPS2022[PUB] [PDF]
适用于流数据的拜占廷容错联邦高斯过程回归宾夕法尼亚州立大学NeurIPS2022[PUB] [CODE]
SoteriaFL: 带有通信压缩的隐私联邦学习统一框架卡内基梅隆大学NeurIPS2022[PUB] [PDF]
适用于垂直联邦学习的核集合方法:正则线性回归和K均值聚类耶鲁大学NeurIPS2022[PUB] [PDF] [CODE]
通信高效的广义线性绷带联邦学习弗吉尼亚大学NeurIPS2022[PUB] [CODE]
在语言模型的联邦学习中恢复私有文本普林斯顿大学NeurIPS2022[PUB] [PDF] [CODE]
从预训练模型进行联邦学习:对比学习方法悉尼科技大学NeurIPS2022[PUB] [PDF]
混合回归联邦学习的全局收敛性东北大学NeurIPS2022[PUB] [PDF]
资源自适应联邦学习的一体化神经合成约翰霍普金斯大学NeurIPS2022[PUB]
自适应个性化联邦学习亚马逊NeurIPS2022[PUB] [PDF]
具有线性收敛性和通信高效的联邦极小极大学习算法东北大学NeurIPS2022[PUB] [PDF]
一个联邦学习的异质因果效应的自适应核方法新加坡国立大学NeurIPS2022[PUB]
对异步随机梯度下降在分布式和联邦学习中的更精准收敛保证洛桑联邦理工学院NeurIPS2022[PUB] [PDF]
个性化在线联邦多核学习加州大学尔湾分校NeurIPS2022[PUB]
SemiFL: 通过交替训练对无标签客户端进行半监督联邦学习杜克大学NeurIPS2022[PUB] [PDF] [CODE]
具有任意客户端参与的联邦学习统一分析IBMNeurIPS2022[PUB] [PDF]
非真实蒸馏在联邦学习中保护全局知识韩国科学技术院NeurIPS2022[PUB] [PDF] [CODE]
FedSR: 一种简单而有效的联邦学习领域泛化方法牛津大学NeurIPS2022[PUB] [CODE]
Factorized-FL: 基于参数因子分解和相似性匹配的个性化联邦学习韩国科学技术院NeurIPS2022[PUB] [PDF] [CODE]
一种简单且高效的异步联邦情景线性绷带算法加州大学NeurIPS2022[PUB] [PDF]
学习攻击联邦学习:一种基于模型的强化学习攻击框架杜兰大学NeurIPS2022[PUB]
在跨数据中心的联邦学习中的隐私和个性化问题卡内基梅隆大学NeurIPS2022[PUB] [PDF]
一种利用记录相似性设计进行实际垂直联邦学习的方法新加坡国立大学NeurIPS2022[PUB] [PDF] [CODE]
FLamby: 实际医疗环境中跨数据中心联邦学习的数据集和基准OwkinNeurIPS 数据集和基准2022[PUB] [CODE]
基于树的模型均值方法从异质数据源估计个性化治疗效果匹兹堡大学ICML2022[PUB] [PDF] [CODE]
快速复合优化和联邦学习中的统计恢复上海交通大学ICML2022[PUB] [PDF] [CODE]
个性化提高了联邦学习中的隐私-准确权衡纽约大学ICML2022[PUB] [PDF] [CODE]
安全聚合在差分隐私联邦学习中的基本代价斯坦福大学; Google 研究ICML2022[PUB] [PDF] [CODE] [SLIDE]
泊松二项机制用于避免偏倚的安全聚合联邦学习斯坦福大学; Google 研究ICML2022[PUB] [PDF] [CODE]
DisPFL: 通过去中心化稀疏训练实现通信高效的个性化联邦学习中国科学技术大学ICML2022[PUB] [PDF] [CODE]
FedNew: 一种高效通信和隐私保护的 Newton 型联邦学习方法奥卢大学ICML2022[PUB] [PDF] [CODE]
DAdaQuant：一种用于高效通信的双自适应量化联邦学习剑桥大学ICML2022[PUB] [PDF] [SLIDE] [CODE]
通过解耦自适应优化加速联邦学习奥本大学ICML2022[PUB] [PDF]
联邦强化学习：马尔可夫采样下的线性加速乔治亚理工学院ICML2022[PUB] [PDF]
联邦学习的多级分支正则化首尔国立大学ICML2022[PUB] [PDF] [CODE] [PAGE]
FedScale：大规模联邦学习的模型和系统性能基准 :fire:密歇根大学ICML2022[PUB] [PDF] [CODE]
使用阳性和未标记数据的联邦学习西安交通大学ICML2022[PUB] [PDF] [CODE]
通过图匹配融合深度神经网络，用于模型集成和联邦学习上海交通大学ICML2022[PUB] [CODE]
Orchestra：通过全局一致聚类实现无监督联邦学习密歇根大学ICML2022[PUB] [PDF] [CODE]
通过不变聚合和多样性传递解决属性偏差的解耦联邦学习中国科学技术大学ICML2022[PUB] [PDF] [CODE] [SLIDE] [解读]
神经网络架构无关的联邦学习德克萨斯大学奥斯汀分校ICML2022[PUB] [PDF] [SLIDE]
通过本地记忆实现个性化联邦学习法国国家信息与自动化研究所ICML2022[PUB] [PDF] [CODE]
临近和联邦随机洗牌沙特阿卜杜拉国王科技大学ICML2022[PUB] [PDF] [CODE]
使用部分模型个性化的联邦学习华盛顿大学ICML2022[PUB] [PDF] [CODE]
通过锐度感知最小化实现广义联邦学习南佛罗里达大学ICML2022[PUB] [PDF]
FedNL：使 Newton 型方法适用于联邦学习沙特阿卜杜拉国王科技大学ICML2022[PUB] [PDF] [VIDEO] [SLIDE]
联邦极小极大优化：改进的收敛分析和算法卡内基梅隆大学ICML2022[PUB] [PDF] [SLIDE]
虚拟同质性学习：在联邦学习中防御数据异质性香港浸会大学ICML2022[PUB] [PDF] [CODE] [解读]
FedNest：联邦双层优化、极小极大优化和成分优化密歇根大学ICML2022[PUB] [PDF] [CODE]
EDEN：高效通信和鲁棒的联邦学习分布式均值估计VMware 研究院ICML2022[PUB] [PDF] [CODE]
高效通信的自适应联邦学习宾夕法尼亚州立大学ICML2022[PUB] [PDF]
ProgFed：通过渐进训练实现高效通信和计算的联邦学习德国信息安全研究中心ICML2022[PUB] [PDF] [SLIDE] [CODE]
在大批量联邦学习中，通过梯度放大钓取用户数据 :fire:马里兰大学ICML2022[PUB] [PDF] [CODE]
无秩序的联邦学习俄亥俄州立大学ICML2022[PUB] [PDF]
QSFL：一种两级上行通信优化联邦学习框架南开大学ICML2022[PUB] [CODE]
带有渐进权重反量化的位宽异质性联邦学习韩国科学技术院ICML2022[PUB] [PDF]
使用神经切线核增强联邦学习北卡罗来纳州立大学ICML2022[PUB] [PDF] [CODE]
理解联邦学习中的修剪：收敛性和客户级差分隐私明尼苏达大学ICML2022[PUB] [PDF]
通过变分贝叶斯推断实现个性化联邦学习中国科学院ICML2022[PUB] [PDF] [SLIDE] [UC.]
通过对数校准解决标签分布偏差的联邦学习浙江大学ICML2022[PUB]
Neurotoxin：联邦学习中具有持久性的后门东南大学; 普林斯顿大学ICML2022[PUB] [PDF] [CODE]
异质联邦系统的高效通信和鲁棒学习密歇根州立大学ICML2022[PUB]
Minibatch vs Local SGD with Shuffling：严格收敛边界及其他韩国科学技术院ICLR (oral)2022[PUB] [CODE]
梯度泄露的贝叶斯框架苏黎世联邦理工学院ICLR2022[PUB] [PDF] [CODE]
仅通过标签数据和类条件共享客户端进行联邦学习东京大学; 香港中文大学ICLR2022[PUB] [CODE]
FedChain：用于联邦学习的链式算法，近乎最优的通信成本卡内基梅隆大学; 伊利诺伊大学香槟分校; 华盛顿大学ICLR2022[PUB] [PDF]
联邦学习加速与缓解本地训练遗忘清华大学ICLR2022[PUB] [PDF] [CODE]
FedPara: 低秩哈达玛积用于高效通信的联邦学习POSTECHICLR2022[PUB] [PDF] [CODE]
一种针对类别不平衡的无偏见联邦学习方法宾夕法尼亚大学ICLR2022[PUB] [CODE]
高效分裂混合联邦学习用于按需和现场定制密歇根州立大学; 德克萨斯大学奥斯汀分校ICLR2022[PUB] [PDF] [CODE]
攻击联邦：通过修改模型直接获取私有数据 :fire:马里兰大学; 纽约大学ICLR2022[PUB] [PDF] [CODE]
ZeroFL: 利用局部稀疏性实现高效的设备端联邦学习训练剑桥大学; 牛津大学ICLR2022[PUB] [PDF]
通过子模最大化实现多样化客户端选择的联邦学习英特尔; 卡内基梅隆大学ICLR2022[PUB] [CODE]
联邦学习中模型更新的再利用：梯度子空间是否低秩？普渡大学ICLR2022[PUB] [PDF] [CODE]
白天还是黑夜？联邦学习从周期性变化的分布中学习多分支网络 :fire:马里兰大学; 谷歌ICLR2022[PUB] [CODE]
通过知识蒸馏实现模型无关的联邦学习洛桑联邦理工学院ICLR2022[PUB] [PDF] [CODE]
分歧感知的联邦自监督学习南洋理工大学; 商汤科技ICLR2022[PUB] [PDF] [CODE]
我们在联邦学习中的泛化是什么意思？ :fire:斯坦福大学; 谷歌ICLR2022[PUB] [PDF] [CODE]
FedBABU: 朝着增强联邦图像分类表示迈进韩国科学技术院ICLR2022[PUB] [PDF] [CODE]
通过分桶实现拜占庭鲁棒学习在非均匀数据集上的应用洛桑联邦理工学院ICLR2022[PUB] [PDF] [CODE]
通过隐私无关的集群提升联邦学习人脸识别性能AibeeICLR Spotlight2022[PUB] [PDF] [PAGE] [解读]
异构通信中的混合本地SGD用于联邦学习德克萨斯大学; 宾夕法尼亚州立大学ICLR2022[PUB]
在联邦学习中桥接通用和个性化图像分类俄亥俄州立大学ICLR2022[PUB] [PDF] [CODE]
小批量与局部SGD及其洗牌：严格的收敛界限及其超越韩国科学技术院; 麻省理工学院ICLR2022[PUB] [PDF]
一次性联邦学习：理论极限及实现它们的算法JMLR2021[PUB] [CODE]
低带宽设备的受限差分隐私联邦学习UAI2021[PUB] [PDF]
基于动态正则化的联邦随机梯度朗之万动力学UAI2021[PUB] [PDF]
基于动态正则化的联邦学习波士顿大学; ARMICLR2021[PUB] [PDF] [CODE]
在不独立同分布的联邦学习中通过部分参与工人实现线性加速俄亥俄州立大学ICLR2021[PUB] [PDF]
HeteroFL: 面向异构客户的计算和通信高效联邦学习杜克大学ICLR2021[PUB] [PDF] [CODE]
FedMix: 平均增强联邦学习下的Mixup近似韩国科学技术院ICLR2021[PUB] [PDF]
通过后验平均实现联邦学习：新视角与实用算法 :fire:卡内基梅隆大学; 谷歌ICLR2021[PUB] [PDF] [CODE]
自适应联邦优化 :fire:谷歌ICLR2021[PUB] [PDF] [CODE]
使用一阶模型优化的个性化联邦学习斯坦福大学; NVIDIAICLR2021[PUB] [PDF] [CODE] [UC.]
FedBN: 通过局部批量归一化实现非独立同分布特征的联邦学习 :fire:普林斯顿大学ICLR2021[PUB] [PDF] [CODE]
FedBE: 将贝叶斯模型集成应用于联邦学习俄亥俄州立大学ICLR2021[PUB] [PDF] [CODE]
通过客户间一致性和分离学习实现联邦半监督学习韩国科学技术院ICLR2021[PUB] [PDF] [CODE]
KD3A: 通过知识蒸馏实现无监督多源去中心域适应浙江大学ICML2021[PUB] [PDF] [CODE] [解读]
梯度解聚：通过重建用户参与矩阵打破联邦学习中的隐私哈佛大学ICML2021[PUB] [PDF] [VIDEO] [CODE]
FL-NTK: 基于神经切线核的联邦学习分析框架北京大学; 普林斯顿大学ICML2021[PUB] [PDF] [VIDEO]
通过超网络实现个性化联邦学习 :fire:巴伊兰大学; NVIDIAICML2021[PUB] [PDF] [CODE] [PAGE] [VIDEO] [解读]
联邦复合优化斯坦福大学; 谷歌ICML2021[PUB] [PDF] [CODE] [VIDEO] [SLIDE]
利用共享表示进行个性化联邦学习德克萨斯大学奥斯汀分校; 宾夕法尼亚大学ICML2021[PUB] [PDF] [CODE] [VIDEO]
无数据知识蒸馏用于异构联邦学习 :fire:密歇根州立大学ICML2021[PUB] [PDF] [CODE] [VIDEO]
带有加权跨客户端传输的联邦持续学习韩国科学技术院ICML2021[PUB] [PDF] [CODE] [VIDEO]
具有固定通信复杂性的异构数据联邦深度AUC最大化爱荷华大学ICML2021[PUB] [PDF] [CODE] [VIDEO]
偏差-方差减少的本地SGD用于减少异质性的联邦学习东京大学ICML2021[PUB] [PDF] [VIDEO]
在不共享嵌入的情况下学习用户验证模型的联邦学习高通公司ICML2021[PUB] [PDF] [VIDEO]
聚类采样: 用于客户选择的低方差和改进的代表性联邦学习埃森哲公司ICML2021[PUB] [PDF] [CODE] [VIDEO]
Ditto: 通过个性化实现公平和鲁棒的联邦学习卡内基梅隆大学; Facebook AIICML2021[PUB] [PDF] [CODE] [VIDEO]
异质性致胜：单次联邦聚类卡内基梅隆大学ICML2021[PUB] [PDF] [VIDEO]
具有安全聚合的联邦学习的分布式离散高斯机制 :fire:谷歌ICML2021[PUB] [PDF] [CODE] [VIDEO]
更正模型更新以改善个性化联邦训练波士顿大学; Arm公司ICML2021[PUB] [CODE] [VIDEO]
一对一或所有对所有：联邦学习中协作的均衡与最优性丰田公司; 伯克利大学; 康奈尔大学ICML2021[PUB] [PDF] [CODE] [VIDEO]
CRFL: 经过认证的抗后门攻击的联邦学习伊利诺伊大学厄巴纳-香槟分校; IBMICML2021[PUB] [PDF] [CODE] [VIDEO]
任意通信模式下的联邦学习印第安纳大学; 亚马逊ICML2021[PUB] [VIDEO]
CANITA: 具有通信压缩的分布式凸优化的更快速度卡内基梅隆大学NeurIPS2021[PUB] [PDF]
多源提升谷歌NeurIPS2021[PUB]
DRIVE: 一位分布式均值估计VMwareNeurIPS2021[PUB] [CODE]
由梯度驱动的奖励以保证协作机器学习的公平性新加坡国立大学NeurIPS2021[PUB] [CODE]
使用生成图像先验的梯度逆转韩国科学技术院NeurIPS2021[PUB] [PDF] [CODE]
稀疏异构数据的分布式机器学习牛津大学NeurIPS2021[PUB] [PDF]
分布式学习中重采样洗牌模型的Renyi差分隐私加州大学洛杉矶分校NeurIPS2021[PUB] [PDF]
Sageflow: 针对慢节点和对手的鲁棒联邦学习韩国科学技术院NeurIPS2021[PUB]
CAFE: 垂直联邦学习中的灾难性数据泄露伦斯勒理工学院; IBM研究院NeurIPS2021[PUB] [CODE]
具有理论保证的容错联邦强化学习新加坡国立大学NeurIPS2021[PUB] [PDF] [CODE]
联邦学习中的最优性和稳定性：一种博弈论方法康奈尔大学NeurIPS2021[PUB] [PDF] [CODE]
QuPeD: 通过蒸馏实现量化个性化及其在联邦学习中的应用加州大学洛杉矶分校NeurIPS2021[PUB] [PDF] [CODE] [解读]
联邦学习的Skellam机制差分隐私保护 :fire:谷歌研究院; 卡内基梅隆大学NeurIPS2021[PUB] [PDF] [CODE]
无惧异质性：用于非独立同分布数据的联邦学习分类器校准新加坡国立大学; 华为NeurIPS2021[PUB] [PDF]
STEM: 一种实现近乎最佳样本和通信复杂性的随机双边动量算法明尼苏达大学NeurIPS2021[PUB] [PDF]
具有缺失邻居生成的子图联合学习Emory; 香港大学; 莱海大学NeurIPS2021[论文] [PDF] [代码] [解读]
在联合学习中评估梯度反演攻击和防御🔥PrincetonNeurIPS2021[论文] [PDF] [代码]
具有高斯过程的个性化联合学习巴伊兰大学NeurIPS2021[论文] [PDF] [代码]
具有分布式探索的差分隐私联合贝叶斯优化MIT; 新加坡国立大学NeurIPS2021[论文] [PDF] [代码]
用于个性化联合学习的参数化知识转移香港理工大学NeurIPS2021[论文] [PDF] [代码]
联合重构：部分本地联合学习🔥Google ResearchNeurIPS2021[论文] [PDF] [代码] [UC.]
在设备不可用情况下的快速联合学习清华大学; 普林斯顿; MITNeurIPS2021[论文] [PDF] [代码]
FL-WBC：从客户端角度增强联合学习对模型投毒攻击的鲁棒性杜克大学; 埃森哲实验室NeurIPS2021[论文] [PDF] [代码]
FjORD：在有序丢弃下公平且准确的异构目标联合学习沙特阿卜杜拉国王科技大学; 三星AI中心NeurIPS2021[论文] [PDF]
在联合学习中的线性收敛：应对客户端异构性和稀疏梯度宾夕法尼亚大学NeurIPS2021[论文] [PDF] [视频]
集合分布下的联合多任务学习法国国家信息与自动化研究所; 埃森哲实验室NeurIPS2021[论文] [PDF] [代码]
非独立同分布图的联合图分类EmoryNeurIPS2021[论文] [PDF] [代码] [解读]
联合超参数调优：挑战、基准和权重共享的联系CMU; 惠普企业NeurIPS2021[论文] [PDF] [代码]
大规模团体训练联合学习🔥Google; CMUNeurIPS2021[论文] [PDF] [代码]
DeepReduce：用于联合深度学习的稀疏张量通信框架沙特阿卜杜拉国王科技大学; 哥伦比亚大学; 中佛罗里达大学NeurIPS2021[论文] [PDF] [代码]
PartialFed：通过部分初始化进行跨域个性化联合学习华为NeurIPS2021[论文] [视频]
COVID-19胸部X光联合分割非任务视觉转换器KAISTNeurIPS2021[论文] [PDF]
在联合学习中解决算法差异和性能不一致清华大学; 阿里巴巴; 威尔康奈尔医学院NeurIPS2021[论文] [PDF] [代码]
联合线性上下文相关带状宾夕法尼亚州立大学; Facebook; 弗吉尼亚大学NeurIPS2021[论文] [PDF] [代码]
少轮学习联合学习：KAISTNeurIPS2021[论文]
打破跨设备联合学习的集中屏障EPFL; Google ResearchNeurIPS2021[论文] [代码] [视频]
具有异构性缓解和方差减少的联合EMEcole Polytechnique; Google ResearchNeurIPS2021[论文] [PDF]
延迟梯度平均：容忍联合学习的通信延迟MIT; Amazon; GoogleNeurIPS2021[论文] [主页] [幻灯片]
FedDR - 随机道格拉斯-拉奇福德拆分算法用于非凸联合复合优化北卡罗来纳大学教堂山分校; IBM ResearchNeurIPS2021[论文] [PDF] [代码]
联合对抗域适应波士顿大学; 哥伦比亚大学; 罗格斯大学ICLR2020[论文] [PDF] [代码]
DBA：对联合学习的分布式后门攻击浙江大学; IBM ResearchICLR2020[论文] [代码]
联合学习中的公平资源分配🔥CMU; Facebook AIICLR2020[论文] [PDF] [代码]
联合学习匹配平均🔥威斯康星大学麦迪逊分校; IBM ResearchICLR2020[论文] [PDF] [代码]
差分隐私元学习CMUICLR2020[论文] [PDF]
生成模型有效进行私有、分散数据集上的机器学习🔥GoogleICLR2020[论文] [PDF] [代码]
关于FedAvg在非独立同分布数据上的收敛性 :fire:北京大学ICLR2020[PUB] [PDF] [CODE] [解读]
FedBoost: 一种通信高效的联邦学习算法谷歌ICML2020[PUB] [VIDEO]
FetchSGD: 使用素描技术的通信高效联邦学习UC Berkeley; 约翰霍普金斯大学; 亚马逊ICML2020[PUB] [PDF] [VIDEO] [CODE]
SCAFFOLD: 联邦学习的随机控制平均EPFL; 谷歌ICML2020[PUB] [PDF] [VIDEO] [UC.] [解读]
仅使用正标签的联邦学习谷歌ICML2020[PUB] [PDF] [VIDEO]
从本地SGD到本地固定点方法的联邦学习莫斯科物理与技术学院; KAUSTICML2020[PUB] [PDF] [SLIDE] [VIDEO]
分布式和联邦优化中压缩梯度下降的加速KAUSTICML2020[PUB] [PDF] [SLIDE] [VIDEO]
差分隐私的联邦线性广告麻省理工学院NeurIPS2020[PUB] [PDF] [CODE]
联邦主成分分析剑桥大学; Quine技术公司NeurIPS2020[PUB] [PDF] [CODE]
FedSplit: 一种快速联邦优化的算法框架UC BerkeleyNeurIPS2020[PUB] [PDF]
通过汤普森采样进行联邦贝叶斯优化NUS; 麻省理工学院NeurIPS2020[PUB] [PDF] [CODE]
个性化联邦学习的下界和最优算法KAUSTNeurIPS2020[PUB] [PDF]
鲁棒的联邦学习: 仿射分布转变的案例UC Santa Barbara; 麻省理工学院NeurIPS2020[PUB] [PDF] [CODE]
高效的集群联邦学习框架UC Berkeley; DeepMindNeurIPS2020[PUB] [PDF] [CODE]
分布鲁棒的联邦平均 :fire:宾夕法尼亚州立大学NeurIPS2020[PUB] [PDF] [CODE]
使用Moreau Envelope的个性化联邦学习 :fire:悉尼大学NeurIPS2020[PUB] [PDF] [CODE]
具有理论保证的个性化联邦学习：一种模型无关的元学习方法麻省理工学院; UT AustinNeurIPS2020[PUB] [PDF] [UC.]
集体知识传递：边缘设备的联邦大规模CNN学习南加州大学NeurIPS2020[PUB] [PDF] [CODE] [解读]
解决异质联邦优化中的目标不一致问题 :fire:卡内基梅隆大学; 普林斯顿大学NeurIPS2020[PUB] [PDF] [CODE] [UC.]
尾部攻击：是的，你真的可以后门联邦学习威斯康星大学-麦迪逊NeurIPS2020[PUB] [PDF]
联邦加速随机梯度下降斯坦福大学NeurIPS2020[PUB] [PDF] [CODE] [VIDEO]
反向梯度——在联邦学习中破坏隐私有多容易？ :fire:锡根大学NeurIPS2020[PUB] [PDF] [CODE]
通过集成蒸馏实现联邦学习中的鲁棒模型融合EPFLNeurIPS2020[PUB] [PDF] [CODE]
交叉数据中心联邦学习的吞吐量优化拓扑设计INRIANeurIPS2020[PUB] [PDF] [CODE]
贝叶斯非参数联邦学习神经网络 :fire:IBMICML2019[PUB] [PDF] [CODE]
通过对抗视角分析联邦学习 :fire:普林斯顿大学; IBMICML2019[PUB] [PDF] [CODE]
不加区分的联邦学习谷歌ICML2019[PUB] [PDF]
cpSGD: 通信高效且差分隐私的分布式SGD普林斯顿大学; 谷歌NeurIPS2018[PUB] [PDF]
联邦多任务学习 :fire:斯坦福大学; 南加州大学; 卡内基梅隆大学NeurIPS2017[PUB] [PDF] [CODE]

</详情>

顶级数据挖掘会议和期刊中的联邦学习

被顶级数据挖掘（Data Mining）会议和期刊接收的联邦学习论文，包括KDD（ACM SIGKDD知识发现与数据挖掘会议）和WSDM（Web搜索和数据挖掘）。

<详情打开> <摘要>顶级数据挖掘会议和期刊中的联邦学习</摘要>

标题隶属关系发表会议年份材料
用户同意的联合推荐系统对抗个性化属性推断攻击香港科技大学WSDM2024[PUB] [PDF] [CODE]
Guardian: 针对联合学习梯度泄露的可证明防御华东师范大学WSDM2024[PUB]
隐私重要: 用于隐私保护推荐的垂直联合线性上下文赌徒剑桥大学KDD2023[PUB] [PDF]
FedDefender: 客户端攻击容忍的联合学习韩国科学技术院KDD2023[PUB] [PDF] [CODE]
FedAPEN: 具备统计异质性适应性的个性化跨站联合学习浙江大学KDD2023[PUB] [CODE]
FedPseudo: 隐私保护的用于联合生存分析的伪价值深度学习模型马里兰大学巴尔的摩分校KDD2023[PUB] [PDF]
ShapleyFL: 基于Shapley值的鲁棒联合学习浙江大学KDD2023[PUB] [CODE]
联合少样本学习弗吉尼亚大学KDD2023[PUB] [PDF] [CODE]
具备理论收敛保证的针对混合异质性的资源自适应联合学习山东大学KDD2023[PUB]
参数传播的个性化联合学习伊利诺伊大学厄巴纳-香槟分校KDD2023[PUB]
无服务器联合AUPRC优化用于多方协作不平衡数据挖掘匹兹堡大学KDD2023[PUB] [PDF] [CODE]
CriticalFL: 增强客户端选择的关键学期框架用于高效联合学习纽约州立大学宾汉姆顿分校KDD2023[PUB] [PDF]
FLAMES2Graph: 可解释的联合多元时间序列分类框架L3S研究中心KDD2023[PUB] [PDF]
FedCP: 通过条件策略分离特征信息的个性化联合学习上海交通大学KDD2023[PUB] [PDF] [CODE]
在非同一客户端分类集上导航对齐: 基于标签名字锚的联合学习框架加州大学圣地亚哥分校KDD2023[PUB] [PDF] [CODE]
DM-PFL: 搭载高效位移鲁棒个性化的通用联合学习北京航空航天大学KDD2023[PUB] [CODE]
FS-REAL: 面向真实世界跨设备联合学习阿里巴巴集团KDD2023[PUB] [PDF]
FedMultimodal: 多模态联合学习基准南加州大学KDD2023[PUB] [PDF] [CODE]
PrivateRec: 用于联合新闻推荐的差分隐私模型训练和在线服务中国人民大学KDD2023[PUB] [PDF] [NEWS]
重访个性化联合学习: 针对后门攻击的鲁棒性香港科技大学; 阿里巴巴集团KDD2023[PUB] [PDF] [CODE]
UA-FedRec: 针对联合新闻推荐的非定向攻击中国科学技术大学KDD2023[PUB] [PDF] [CODE]
国际分布式数据挖掘联合学习研讨会密歇根州立大学KDD会议总结2023[PUB] [PAGE]
多领域联合学习是否需要归一化?KDD研讨会2023[PUB]
分布式个性化经验风险最小化KDD研讨会2023[PUB]
一次齐全的联合学习: 学习和部署到异质的客户端KDD研讨会2023[PUB]
SparseVFL: 基于嵌入和梯度稀疏化的高效通信垂直联合学习KDD研讨会2023[PUB]
城市感知应用中提升用户资源优化的联合学习KDD研讨会2023[PUB]
FedLEGO: 联合学习中通过积木重组实现异构模型协作KDD研讨会2023[PUB]
差分隐私的联合图分析KDD研讨会2023[PUB]
通过经验共享扩展分布式多任务强化学习KDD研讨会2023[PUB]
用于异质健康数据的联合学习中的不确定性量化KDD研讨会2023[PUB]
联合学习在生物医学自然语言处理中的系统评价KDD研讨会2023[PUB]
控制异质性以应对联合学习中的测试时间位移KDD研讨会2023[PUB]
联合血液供应链需求预测案例研究KDD研讨会2023[PUB]
随机聚类的联合学习KDD研讨会2023[PUB]
用于金融犯罪检测的隐私保护混合联合学习框架KDD研讨会2023[PUB]
探讨用于图像分类和医学成像分析的数据分离联合学习的有效性KDD研讨会2023[PUB]
FedNoisy: 联合噪声标签学习基准KDD研讨会2023[PUB]
用于医学影像中标志定位的异步去中心化终身联合学习KDD研讨会2023[PUB]
联合学习用于医疗保健中的竞争风险分析KDD研讨会2023[PUB]
用于智能家居物联网规则的联合威胁检测KDD研讨会2023[PUB]
用于设备上推荐的联合遗忘昆士兰大学WSDM2023[PUB] [PDF]
联合学习中的协作均衡清华大学KDD2022[PUB] [PDF] [CODE]
用于联合学习个性化的连接低损失子空间学习蔚山国家科学技术研究院KDD2022[PUB] [PDF] [CODE]
FedMSplit: 相关性自适应的联邦多任务学习跨多模态分割网络弗吉尼亚大学KDD2022[PUB]
高效通信的带噪标签联邦学习匹兹堡大学KDD2022[PUB] [PDF]
FLDetector: 通过检查模型更新一致性检测联邦学习中的恶意客户端中国科学技术大学KDD2022[PUB] [PDF] [CODE]
Practical Lossless Federated Singular Vector Decomposition Over Billion-Scale Data香港科技大学KDD2022[PUB] [PDF] [CODE]
FedWalk: 具有差分隐私的高效通信联邦无监督节点嵌入上海交通大学KDD2022[PUB] [PDF]
FederatedScope-GNN: 迈向统一、全面且高效的联邦图学习平台 :fire:阿里巴巴KDD (最佳论文奖)2022[PUB] [PDF] [CODE]
Fed-LTD: 通过联邦学习进行跨平台叫车调度北京航空航天大学KDD2022[PUB] [PDF] [解读]
Felicitas: 分布式跨设备协作框架中的联邦学习中国科学技术大学KDD2022[PUB] [PDF]
No One Left Behind: 异构设备上的包容性联邦学习中国人民大学KDD2022[PUB] [PDF]
FedAttack: 通过困难采样对联邦推荐进行有效且隐蔽的投毒攻击清华大学KDD2022[PUB] [PDF] [CODE]
PipAttack: 通过操纵物品推广来投毒联邦推荐系统昆士兰大学WSDM2022[PUB] [PDF]
Fed2: 特征对齐的联邦学习乔治梅森大学; 微软; 马里兰大学KDD2021[PUB] [PDF]
FedRS: 使用限制的Softmax进行非IID标签分布数据的联邦学习南京大学KDD2021[PUB] [CODE]
联邦对抗去偏以实现公平且可移植的表示密歇根州立大学KDD2021[PUB] [PAGE] [CODE] [SLIDE]
跨节点联邦图神经网络用于时空数据建模南加州大学KDD2021[PUB] [CODE] [解读]
AsySQN: 更好地利用计算资源的快速垂直联邦学习算法西安电子科技大学; 京东科技KDD2021[PUB] [PDF]
FLOP: 使用部分网络在医学数据集上进行联邦学习杜克大学KDD2021[PUB] [PDF] [CODE]
少数利益相关者的实用联邦学习框架苏黎世联邦理工学院WSDM2021[PUB] [CODE]
联邦深度知识追踪中国科学技术大学WSDM2021[PUB] [CODE]
FedFast: 超越平均水平以更快地训练联邦推荐系统都柏林大学学院KDD2020[PUB] [VIDEO]
垂直分区数据的联邦双随机核学习京东科技KDD2020[PUB] [PDF] [VIDEO]
使用进化策略的联邦在线排序学习Facebook AI研究WSDM2019[PUB] [CODE]

顶级安全会议和期刊中的联邦学习

联邦学习论文被顶级安全会议和期刊接受，包括S&P（IEEE安全与隐私研讨会）、CCS（计算机与通信安全会议）、USENIX Security（Usenix安全研讨会）和NDSS（网络与分布式系统安全研讨会）。

顶级安全会议和期刊中的联邦学习 |题目 | 隶属单位 | 会议 | 年份 | 资料| | ------------------------------------------------------------ | ------------------------------------------------------------ | ----- | ---- | ------------------------------------------------------------ | | 面向联邦学习的隐私保护机制 | 帕维亚大学 | CCS | 2023 | [[PUB](https://dl.acm.org/doi/10.1145/3576915.3623114)] [[PDF](https://arxiv.org/abs/2305.05355)] | | MESAS: 面对自适应攻击者的联邦学习中毒防御 | 维尔茨堡大学 | CCS | 2023 | [[PUB](https://dl.acm.org/doi/10.1145/3576915.3623212)] | | martFL: 通过稳健且可验证的联邦学习架构实现效用驱动的数据市场 | 清华大学 | CCS | 2023 | [[PUB](https://dl.acm.org/doi/10.1145/3576915.3623134)] [[PDF](https://arxiv.org/abs/2309.01098)] [[CODE](https://github.com/liqi16/martfl)] | | 解开隐私与联邦学习中毒攻击认证鲁棒性之间的联系 | 伊利诺伊大学厄巴纳-香槟分校 | CCS | 2023 | [[PUB](https://dl.acm.org/doi/10.1145/3576915.3623193)] [[PDF](https://arxiv.org/abs/2209.04030)] | | 海报：在横向联邦学习中具有强公平性进行可验证数据评估 | 国立中山大学 | CCS | 2023 | [[PUB](https://dl.acm.org/doi/10.1145/3576915.3624371)] | | 海报：弥合信任差距：联邦数据生态系统中的数据使用透明度 | 亚琛工业大学 | CCS | 2023 | [[PUB](https://dl.acm.org/doi/10.1145/3576915.3624371)] | | 每票必争：针对中毒攻击的联邦学习排序训练 | 马萨诸塞大学阿默斯特分校 | USENIX Security | 2023 | [[PUB](https://www.usenix.org/conference/usenixsecurity23/presentation/mozaffari)] [[PDF](https://arxiv.org/abs/2110.04350)] | | PrivateFL: 通过个性化数据转换实现准确的差分隐私联邦学习 | 约翰霍普金斯大学 | USENIX Security | 2023 | [[PUB](https://www.usenix.org/conference/usenixsecurity23/presentation/yang-yuchen)] [[CODE](https://github.com/BHui97/PrivateFL)] | | 梯度混淆在联邦学习中的虚假安全感 | 北卡罗来纳州立大学 | USENIX Security | 2023 | [[PUB](https://www.usenix.org/conference/usenixsecurity23/presentation/yue)] [[PDF](https://arxiv.org/abs/2206.04055)] [[CODE](https://github.com/KAI-YUE/rog)] | | FedVal: 联邦学习中的不同好与坏 | 瑞典人工智能研究中心 | USENIX Security | 2023 | [[PUB](https://www.usenix.org/conference/usenixsecurity23/presentation/valadi)] [[PDF](https://arxiv.org/abs/2306.04040)] [[CODE](https://github.com/viktorvaladi/fedval)] | | 保护联邦敏感主题分类免受中毒攻击 | IMDEA网络研究所 | NDSS | 2023 | [[PUB](https://www.ndss-symposium.org/ndss-paper/securing-federated-sensitive-topic-classification-against-poisoning-attacks/)] [[PDF](https://arxiv.org/abs/2201.13086)] [[CODE](https://github.com/FRM-Sec/FRM)] | | PPA: 针对联邦学习的偏好画像攻击 | 南京理工大学 | NDSS | 2023 | [[PUB](https://www.ndss-symposium.org/ndss-paper/ppa-preference-profiling-attack-against-federated-learning/)] [[PDF](https://arxiv.org/abs/2202.04856)] | | 面向联邦学习的隐私保护机制 | 帕维亚大学；代尔夫特理工大学；帕多瓦大学；拉德堡德大学 | CCS | 2023 | [[PUB](https://dl.acm.org/doi/10.1145/3576915.3623114)] [[PDF](https://arxiv.org/abs/2305.05355)] [[CODE](https://github.com/DCALab-UNIPV/Turning-Privacy-preserving-Mechanisms-against-Federated-Learning)] | | CERBERUS：探索安全事件的联邦预测 | 伦敦大学学院 | CCS | 2022 | [[PUB](https://dl.acm.org/doi/10.1145/3548606.3560580)] [[PDF](https://arxiv.org/abs/2209.03050)] | | EIFFeL：确保联邦学习的完整性 | 威斯康星大学麦迪逊分校 | CCS | 2022 | [[PUB](https://dl.acm.org/doi/10.1145/3548606.3560611)] [[PDF](https://arxiv.org/abs/2112.12727)] | | 通过模型不一致性躲避联邦学习中的安全聚合 | SPRING实验室；洛桑联邦理工学院 | CCS | 2022 | [[PUB](https://dl.acm.org/doi/10.1145/3548606.3560557)] [[PDF](https://arxiv.org/abs/2111.07380)] [[CODE](https://github.com/pasquini-dario/eludingsecureaggregation)] | | 具有差分隐私的联邦增强决策树 | 华威大学 | CCS | 2022 | [[PUB](https://dl.acm.org/doi/10.1145/3548606.3560687)] [[PDF](https://arxiv.org/abs/2210.02910)] [[CODE](https://github.com/Samuel-Maddock/federated-boosted-dp-trees)] | | FedRecover：利用历史信息从联邦学习中的中毒攻击中恢复 | 杜克大学 | S&P | 2023 | [[PUB](https://www.computer.org/csdl/proceedings-article/sp/2023/933600a326/1He7Y3q8FMY)] [[PDF](https://arxiv.org/abs/2210.10936)] | | 可扩展和隐私保护的联邦主成分分析 | 洛桑联邦理工学院；Tune Insight SA | S&P | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10179350)] [[PDF](https://arxiv.org/abs/2304.00129)] | | SafeFL：适用于私密和稳健联邦学习的MPC友好框架 | 达姆施塔特工业大学 | S&P研讨会 | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10188630)] | | 关于稳健联邦学习的安全评估的隐患 | 马萨诸塞大学 | S&P研讨会 | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10188636)] | | BayBFed：联邦学习的贝叶斯后门防御 | 达姆施塔特工业大学；德克萨斯大学圣安东尼奥分校 | S&P | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10179362)] [[PDF](https://arxiv.org/abs/2301.09508)] | | 3DFed：联邦学习中的隐蔽后门攻击自适应和可扩展框架 | 香港理工大学 | S&P | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10179401)] [[CODE](https://github.com/haoyangliASTAPLE/3DFed)] | | RoFL：安全联邦学习的鲁棒性 | 苏黎世联邦理工学院 | S&P | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10179400)] [[PDF](https://arxiv.org/abs/2107.03311)] [[CODE](https://github.com/pps-lab/rofl-project-code)] | | Flamingo：应用于私密联邦学习的多轮单服务器安全聚合 | 宾夕法尼亚大学 | S&P | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10179434)] [[CODE](https://github.com/eniac/flamingo)] | | ELSA：具有恶意行为者的联邦学习安全聚合 | | S&P | 2023 | | | 私密、高效和准确：通过差分隐私保护多方学习训练的模型 | 复旦大学 | S&P | 2023 | [[PUB](https://www.computer.org/csdl/proceedings-article/sp/2023/933600a076/1He7XMLcnsc)] [[PDF](https://arxiv.org/abs/2208.08662)] | | 回到绘图板：对生产联邦学习中毒攻击的关键评估 | 马萨诸塞大学 | S&P | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9833647/)] [[VIDEO](https://www.youtube.com/watch?v=tQv3CpxIyvs)] | | SIMC：以半诚实成本对恶意客户端进行安全的机器学习推理 | 微软研究院 | USENIX Security | 2022 | [[PUB](https://www.usenix.org/conference/usenixsecurity22/presentation/chandran)] [[PDF](https://eprint.iacr.org/2021/1538)] [[CODE](https://github.com/shahakash28/simc)] [[VIDEO](https://www.youtube.com/watch?v=0Oaqi0JHUac)] [[SUPP](https://www.usenix.org/system/files/usenixsecurity22-chandran.pdf)] | | 通过学习错误硬度进行联邦学习的高效差分隐私安全聚合 | 佛蒙特大学 | USENIX Security | 2022 | [[PUB](https://www.usenix.org/conference/usenixsecurity22/presentation/stevens)] [[SLIDE](https://www.usenix.org/system/files/sec22_slides-stevens.pdf)] [[VIDEO](https://www.youtube.com/watch?v=9kYHQkr6DuE)] | | 垂直联邦学习中的标签推理攻击 | 浙江大学 | USENIX Security | 2022 | [[PUB](https://www.usenix.org/conference/usenixsecurity22/presentation/fu-chong)] [[SLIDE](https://www.usenix.org/system/files/sec22_slides-fu-chong.pdf)] [[CODE](https://github.com/FuChong-cyber/label-inference-attacks)] [[VIDEO](https://www.youtube.com/watch?v=JEmRbDtosVw)] | | FLAME：驯服联邦学习中的后门 | 达姆施塔特工业大学 | USENIX Security | 2022 | [[PUB](https://www.usenix.org/conference/usenixsecurity22/presentation/nguyen)] [[SLIDE](https://www.usenix.org/system/files/sec22_slides-nguyen.pdf)] [[PDF](https://arxiv.org/abs/2101.02281)] [[VIDEO](https://www.youtube.com/watch?v=nMrte2S9U68)] | | 结合本地和中央差分隐私以提高联邦学习的鲁棒性和隐私 | 纽约州立大学布法罗分校 | NDSS | 2022 | [[PUB](https://www.ndss-symposium.org/ndss-paper/auto-draft-204/)] [[PDF](https://arxiv.org/abs/2009.03561)] [[VIDEO](https://www.youtube.com/watch?v=_aH2j5A3608&list=PLfUWWM-POgQulyX2vzKzUtZEkVn1M9G2a&index=3)] [[UC.](https://github.com/wenzhu23333/Differential-Privacy-Based-Federated-Learning)] | | 可解释的联邦变压器日志学习用于云威胁取证 | 圣心大学 | NDSS | 2022 | [[PUB](https://www.ndss-symposium.org/ndss-paper/auto-draft-236/)] [[VIDEO](https://www.youtube.com/watch?v=3HoysA6hsC8&list=PLfUWWM-POgQsS08uHJUJI6sawDO_3sNh0&index=3)] [[UC.](https://github.com/cyberthreat-datasets/ctdd-2021-os-syslogs)] | | FedCRI：联邦移动网络风险情报 | 达姆施塔特工业大学 | NDSS | 2022 | [[PUB](https://www.ndss-symposium.org/ndss-paper/auto-draft-229/)] [[VIDEO](https://www.youtube.com/watch?v=2zmdPqCCFxg&list=PLfUWWM-POgQs8ZZMMCX1RoNnmSQ70QXxd&index=3)] | | DeepSight：通过深度模型检查缓解联邦学习中的后门攻击 | 达姆施塔特工业大学 | NDSS | 2022 | [[PUB](https://www.ndss-symposium.org/ndss-paper/auto-draft-205/)] [[PDF](https://arxiv.org/abs/2201.00763)] [[VIDEO](https://www.youtube.com/watch?v=MJF_7vnoGh4&list=PLfUWWM-POgQulyX2vzKzUtZEkVn1M9G2a&index=4)] | | 联邦网络中的私有分层聚类 | 新加坡国立大学 | CCS | 2021 | [[PUB](https://dl.acm.org/doi/10.1145/3460120.3484822)] [[PDF](https://arxiv.org/abs/2105.09057)] | | FLTrust：通过信任引导实现拜占庭鲁棒的联邦学习 | 杜克大学 | NDSS | 2021 | [[PUB](https://www.ndss-symposium.org/ndss-paper/fltrust-byzantine-robust-federated-learning-via-trust-bootstrapping/)] [[PDF](https://arxiv.org/abs/2012.13995)] [[CODE](https://people.duke.edu/~zg70/code/fltrust.zip)] [[VIDEO](https://www.youtube.com/watch?v=zhhdPgKPCN0&list=PLfUWWM-POgQvaqlGPwlOa0JR3bryB1KCS&index=2)] [[SLIDE](https://people.duke.edu/~zg70/code/Secure_Federated_Learning.pdf)] | | POSEIDON：隐私保护的联邦神经网络学习 | 洛桑联邦理工学院 | NDSS | 2021 | [[PUB](https://www.ndss-symposium.org/ndss-paper/poseidon-privacy-preserving-federated-neural-network-learning/)] [[VIDEO](https://www.youtube.com/watch?v=kX6-PMzxZ3c&list=PLfUWWM-POgQvaqlGPwlOa0JR3bryB1KCS&index=1)] | | 操控拜占庭：优化模型中毒攻击与防御的联邦学习 | 麻省大学阿姆赫斯特分校 | NDSS | 2021 | [[PUB](https://www.ndss-symposium.org/ndss-paper/manipulating-the-byzantine-optimizing-model-poisoning-attacks-and-defenses-for-federated-learning/)] [[CODE](https://github.com/vrt1shjwlkr/NDSS21-Model-Poisoning)] [[VIDEO](https://www.youtube.com/watch?v=G2VYRnLqAXE&list=PLfUWWM-POgQvaqlGPwlOa0JR3bryB1KCS&index=3)] | | SAFELearn：用于私有联邦学习的安全聚合 | 达姆施塔特工业大学 | S&P Workshop | 2021 | [[PUB](https://ieeexplore.ieee.org/document/9474309)] | | 本地模型中毒攻击对拜占庭鲁棒性的联邦学习 | 俄亥俄州立大学 | USENIX Security | 2020 | [[PUB](https://www.usenix.org/conference/usenixsecurity20/presentation/fang)] [[PDF](https://arxiv.org/abs/1911.11815)] [[CODE](https://people.duke.edu/~zg70/code/fltrust.zip)] [[VIDEO](https://www.youtube.com/watch?v=SQ12UpYrUVU&feature=emb_imp_woyt)] [[SLIDE](https://www.usenix.org/system/files/sec20_slides_fang.pdf)] | | 使用区块链的可靠且可问责的隐私保护联邦学习框架 | 堪萨斯大学 | CCS (Poster) | 2019 | [[PUB](https://dl.acm.org/doi/10.1145/3319535.3363256)] | | IOTFLA：实施联邦学习的安全且隐私保护的智能家居架构 | 魁北克大学蒙特利尔分校 | S&P Workshop | 2019 | [[PUB](https://ieeexplore.ieee.org/document/8844592)] | | 深度学习的综合隐私分析：针对集中式和联邦学习的被动和主动白盒推理攻击 :fire: | 麻省大学阿姆赫斯特分校 | S&P | 2019 | [[PUB](https://www.computer.org/csdl/proceedings-article/sp/2019/666000a739/1dlwhtj4r7O)] [[VIDEO](https://youtu.be/lzJY4BjCxTc)] [[SLIDE](https://www.ieee-security.org/TC/SP2019/SP19-Slides-pdfs/Milad_Nasr_-_08-Milad_Nasr-Comprehensive_Privacy_Analysis_of_Deep_Learning_)] [[CODE](https://github.com/privacytrustlab/ml_privacy_meter)] | | 隐私保护机器学习的实用安全聚合 | Google | CCS | 2017 | [[PUB](https://dl.acm.org/doi/10.1145/3133956.3133982)] [[PDF](https://eprint.iacr.org/2017/281)] [[解读](https://zhuanlan.zhihu.com/p/445656765)] [[UC.](https://github.com/Chen-Junbao/SecureAggregation)] [[UC](https://github.com/corentingiraud/federated-learning-secure-aggregation)] |

顶级计算机视觉会议和期刊中的联邦学习

被顶级CV（计算机视觉）会议和期刊接受的联邦学习论文，包括CVPR（计算机视觉与模式识别）、ICCV（IEEE国际计算机视觉会议）、ECCV（欧洲计算机视觉会议）、MM（ACM国际多媒体会议）、IJCV（国际计算机视觉期刊）。

顶级计算机视觉会议和期刊中的联邦学习
标题隶属会议年份材料
FedHCA2: Towards Hetero-Client Federated Multi-Task Learning上交CVPR2024[PUB] [SUPP] [PDF] [CODE]
Fair Federated Learning under Domain Skew with Local Consistency and Domain Diversity武大CVPR2024[PUB] [PDF] [CODE]
Think Twice Before Selection: Federated Evidential Active Learning for Medical Image Analysis with Domain Shifts西工大; HKUSTCVPR2024[PUB] [SUPP] [PDF] [CODE]
FedMef: Towards Memory-efficient Federated Dynamic Pruning香港中文大学CVPR2024[PUB] [SUPP] [PDF]
Communication-Efficient Federated Learning with Accelerated Client Gradient首尔国立大学CVPR2024[PUB] [SUPP] [PDF] [CODE]
Revamping Federated Learning Security from a Defender's Perspective: A Unified Defense with Homomorphic Encrypted Data Space印度理工海德拉巴分校CVPR2024[PUB] [SUPP] [CODE]
Adaptive Hyper-graph Aggregation for Modality-Agnostic Federated Learning天津工业大学CVPR2024[PUB] [SUPP] [CODE]
Towards Efficient Replay in Federated Incremental Learning华中科技大学CVPR2024[PUB] [SUPP] [PDF]
Mixed-Precision Quantization for Federated Learning on Resource-Constrained Heterogeneous Devices德克萨斯大学CVPR2024[PUB] [SUPP] [PDF]
Data Valuation and Detections in Federated Learning新加坡国立大学CVPR2024[PUB] [SUPP] [PDF] [CODE]
Decentralized Directed Collaboration for Personalized Federated Learning南京理工大学CVPR2024[PUB] [SUPP] [PDF]
Unlocking the Potential of Prompt-Tuning in Bridging Generalized and Personalized Federated Learning不列颠哥伦比亚大学CVPR2024[PUB] [SUPP] [PDF] [CODE]
Global and Local Prompts Cooperation via Optimal Transport for Federated Learning上海科技大学CVPR2024[PUB] [SUPP] [PDF] [CODE]
Rethinking the Representation in Federated Unsupervised Learning with Non-IID Data浙江大学CVPR2024[PUB] [SUPP] [PDF] [CODE]
Relaxed Contrastive Learning for Federated Learning首尔国立大学CVPR2024[PUB] [SUPP] [PDF] [CODE]
Leak and Learn: An Attacker's Cookbook to Train Using Leaked Data from Federated Learning普渡大学CVPR2024[PUB] [SUPP] [PDF] [VIDEO]
Traceable Federated Continual Learning北邮CVPR2024[PUB] [SUPP] [CODE]
Federated Online Adaptation for Deep Stereo博洛尼亚大学CVPR2024[PUB] [SUPP] [PDF] [CODE] [PAGE] [VIDEO]
Federated Generalized Category Discovery特伦托大学CVPR2024[PUB] [SUPP] [PDF] [CODE]
Efficiently Assemble Normalization Layers and Regularization for Federated Domain Generalization圣母大学CVPR2024[PUB] [SUPP] [PDF] [CODE]
无数据增强文本增强的联邦类增量学习方法莫纳什大学CVPR2024[刊物] [附录] [PDF] [代码]
PerAda：带有泛化保证的参数高效联邦学习个性化方法UIUC；NVIDIACVPR2024[刊物] [附录] [PDF] [代码]
FedSOL：在联邦学习中的带有近端限制的稳定正交学习KAISTCVPR2024[刊物] [附录] [PDF] [代码]
FedUV：针对异构联邦学习的统一性和方差加州大学戴维斯分校CVPR2024[刊物] [附录] [PDF]
FedAS：在个性化联邦学习中弥合不一致性武汉大学CVPR2024[刊物] [代码]
FedSelect：通过定制选择参数进行微调的个性化联邦学习Lapis LabsCVPR2024[刊物] [附录] [PDF] [代码]
基于设备的联邦网络剪枝匹兹堡大学CVPR2024[刊物] [附录]
通过双域聚类和信任引导实现拜占庭鲁棒的分布式联邦学习湖南大学；香港理工大学；AIRSCVPR2024[刊物] [附录]
DiPrompT：用于联邦学习中多潜在域泛化的解耦提示调优香港科技大学；香港理工大学CVPR2024[刊物] [附录] [PDF]
针对异构联邦学习的上传高效方案：从服务器侧预训练生成器向客户端转移知识上海交通大学CVPR2024[刊物] [附录] [PDF] [代码] [海报] [幻灯片]
无聚合的联邦学习方法：应对数据异质性新加坡星耀班克CVPR2024[刊物] [附录] [PDF]
FLHetBench：在联邦学习中基准测试设备和状态异质性北京航空航天大学；香港大学CVPR2024[刊物] [附录] [代码] [页面] [海报] [视频]
FedCE：基于聚类集成的个性化联邦学习方法北京交通大学MM2023[刊物]
FedVQA：在异构场景中进行个性化联邦视觉问题回答莱顿大学MM2023[刊物]
快速稳定联邦学习：通过知识锚解决异质性西安交通大学MM2023[刊物] [PDF] [代码]
联邦深度多视图聚类与全球自监督电子科技大学MM2023[刊物] [PDF]
FedAA：使用非敏感方式提升联邦学习，与保护图像隐私并行浙江大学MM2023[刊物]
原型引导知识转移用于联邦无监督跨模态哈希山东师范大学MM2023[刊物] [代码]
联邦学习中的联合本地相关增强及全球纳什均衡适应非独立同分布数据浙江大学MM2023[刊物] [PDF]
FedCD：一种针对非独立同分布数据的去偏联邦学习框架北京邮电大学MM2023[刊物]
基于标签掩码蒸馏的联邦学习中国科学院大学MM2023[刊物] [代码]
跨域原型校准用于联邦学习中的非独立同分布数据山东大学MM2023[刊物] [PDF] [代码]
四重防御策略应对联邦学习中的拜占庭攻击华中科技大学MM2023[刊物] [PDF]
客户端自适应跨模型重建网络用于模态不完整的多模态联邦学习中国科学院；鹏城实验室；中国科学院大学MM2023[刊物]
FedGH：通用全局头的异质联邦学习南开大学MM2023[刊物] [PDF] [代码]
无共享提示：通过互知蒸馏进行联邦提示语音识别香港中文大学MM2023[刊物] [PDF] [代码]
AffectFAL：在非独立同分布数据上进行联邦主动情感计算天津工业大学MM2023[刊物] [代码]
通过特征感知的近邻与聚合提升联邦人员再识别深圳大学MM2023[刊物]
通过关键参数分析实现抗攻击的联邦学习韩国科学技术院ICCV2023[PUB] [PDF] [CODE] [SUPP]
通过客户特定的提示生成实现高效的模型个性化在联邦学习中南洋理工大学; NVIDIAICCV2023[PUB] [PDF] [SUPP]
在联邦学习中通过超参数化网络实现生成梯度反演A*STARICCV2023[PUB] [CODE] [SUPP]
GPFL: 在个性化的联邦学习中同时学习全球和个性化的特征信息上海交通大学ICCV2023[PUB] [PDF] [CODE] [SUPP]
Workie-Talkie: 通过对比正则化在计算和通信重叠中加速联邦学习休斯顿大学ICCV2023[PUB] [SUPP]
PGFed: 个性化每个客户的全局目标以实现联邦学习匹兹堡大学ICCV2023[PUB] [PDF] [CODE] [SUPP]
FedPerfix: 在联邦学习中实现视觉变换器的部分模型个性化中佛罗里达大学ICCV2023[PUB] [PDF] [CODE] [SUPP]
L-DAWA: 在联邦自监督视觉表示学习中进行层次散度感知权重聚合TCL AI实验室ICCV2023[PUB] [PDF] [SUPP]
FedPD: 联邦开放集识别中参数解耦香港城市大学ICCV2023[PUB] [CODE]
TARGET: 通过无示例蒸馏的联邦类持续学习苏黎世联邦理工学院; 索尼AIICCV2023[PUB] [PDF] [CODE]
个体自适应推理在联邦学习中的探索A*STARICCV2023[PUB] [PDF] [CODE]
通过单步综合特征压缩器实现高效通讯的联邦学习，加快收敛四川大学; 机器学习与产业智能工程研究中心ICCV2023[PUB] [PDF] [CODE]
zPROBE: 联邦学习的零窥视鲁棒性检查普渡大学ICCV2023[PUB] [PDF] [SUPP]
ProtoFL: 通过原型蒸馏的无监督联邦学习韩国互联网银行ICCV2023[PUB] [PDF]
MAS: 针对资源效率的联邦多任务学习索尼AIICCV2023[PUB] [PDF] [CODE] [SUPP]
FSAR: 具有自适应拓扑结构和知识蒸馏的联邦骨架动作识别北京大学ICCV2023[PUB] [PDF] [SUPP]
什么时候课程在联邦学习中起作用？加州大学圣地亚哥分校ICCV2023[PUB] [PDF] [SUPP]
有限重叠样本下的通讯高效的纵向联邦学习杜克大学ICCV2023[PUB] [PDF] [CODE]
多指标自适应地识别联邦学习中的后门华南理工大学ICCV2023[PUB] [PDF] [CODE] [SUPP]
无惧分类器偏差: 由神经崩溃启发的联邦学习与合成和固定分类器浙江大学ICCV2023[PUB] [PDF] [CODE] [SUPP]
FRAug: 通过表示增强解决联邦学习中的非IID特征问题慕尼黑路德维希-马克西米利安大学; 西门子技术ICCV2023[PUB] [PDF] [SUPP]
大胆而谨慎：通过谨慎激进的合作释放个性化联合学习的潜力北京航空航天大学ICCV2023[PUB] [PDF] [CODE] [SUPP]
全球平衡专家用于联邦长尾学习香港中文大学（深圳）ICCV2023[PUB] [CODE] [SUPP]
知识感知的联合主动学习与非独立同分布数据悉尼大学ICCV2023[PUB] [PDF] [CODE] [SUPP]
通过学习率扰动增强联合学习中的隐私保护北京邮电大学ICCV2023[PUB] [SUPP]
本地或全球：用于标签有限的联合学习的选择性知识同化卡内基梅隆大学ICCV2023[PUB] [PDF] [SUPP]
联合学习图像：纵向分解和预训练骨干难以超越莱斯大学ICCV2023[PUB] [PDF] [CODE] [SUPP]
数据损坏下的鲁棒异构联邦学习武汉大学ICCV2023[PUB] [CODE] [SUPP]
用于图像分类的个性化语义激励联合学习图兰大学ICCV2023[PUB] [CODE]
通过多图拓扑缩短跨领域联合学习的训练时间AIOZICCV2023[PUB] [PDF] [CODE] [SUPP]
基于窗口的模型平均提高了异构联合学习的泛化能力都灵理工大学ICCV研讨会2023[PUB] [PDF]
经验重放作为优化去中心化联合学习的有效策略卡塔尼亚大学ICCV研讨会2023[PUB]
FedRCIL：基于表示对比增量学习的联合知识蒸馏希腊研究与技术中心; 西阿提卡大学ICCV研讨会2023[PUB] [CODE]
FedLID：利用有限图像数据的自监督联合学习希腊研究与技术中心; 西阿提卡大学ICCV研讨会2023[PUB]
域移联合学习再思考：原型视图武汉大学CVPR2023[PUB] [CODE]
用于联合半监督学习的类平衡自适应伪标签华东师范大学CVPR2023[PUB] [CODE]
DaFKD：域感知联合知识蒸馏华中科技大学CVPR2023[PUB] [CODE]
联合学习中使用线性层泄漏攻击的资源问题普渡大学CVPR2023[PUB] [PDF]
FedSeg：用于语义分割的类异构联合学习浙江大学CVPR2023[PUB]
部分方差减少在异构数据联合学习中的有效性丹麦技术大学CVPR2023[PUB] [PDF]
适应性聚合用于联合优化美团CVPR2023[PUB]
FedDM：用于通信高效联合学习的迭代分布匹配加州大学洛杉矶分校CVPR2023[PUB] [PDF]
系统异构下联合学习的自适应通道稀疏性密歇根大学CVPR2023[PUB]
ScaleFL：资源自适应的异构客户端联合学习乔治亚理工学院CVPR2023[PUB] [CODE]
可靠且可解释的个性化联合学习天津大学CVPR2023[PUB]
具有泛化调整的联邦域泛化上海交通大学CVPR2023[PUB] [CODE]
差分隐私联合学习中使景观更平坦清华大学CVPR2023[PUB] [PDF] [CODE]
通过变分期望最大化实现的置信感知个性化联合学习鲁汶大学CVPR2023[PUB] [PDF] [CODE]
STDLens：用于目标检测的抗劫持联合学习模型乔治亚理工学院CVPR2023[PUB] [PDF] [CODE]
基于类间多样性的联邦主动学习再思考韩国高级科学技术学院CVPR2023[PUB] [PDF] [CODE]
学习零空间的联邦视觉提示用于MRI重建A*STARCVPR2023[论文] [PDF] [代码]
通过客户端贡献估算实现公平的联邦医疗图像分割CUHKCVPR2023[论文] [PDF] [代码]
使用数据无关的分布融合进行联邦学习NJUCVPR2023[论文] [代码]
如何防止个性化联邦学习中的低表现客户端？CSUCVPR2023[论文]
GradMA：一种基于梯度记忆的加速联邦学习，缓解灾难性遗忘ECNUCVPR2023[论文] [PDF] [代码]
消除偏见的增强学习用于去偏联邦学习NTUCVPR2023[论文]
联邦增量语义分割CAS; UCASCVPR2023[论文] [PDF] [代码]
异步联邦连续学习University of PadovaCVPR 研讨会2023[论文] [PDF] [幻灯片] [代码]
混合量化使能的联邦学习应对梯度反演攻击UMBCCVPR 研讨会2023[论文] [代码]
OpenFed：一个全面且多功能的开源联邦学习框架美团CVPR 研讨会2023[论文] [PDF] [代码]
在非独立同分布环境下，由差分隐私合成数据辅助的联邦学习德州大学CVPR 研讨会2023[论文] [补充材料] [PDF] [代码]
TimelyFL：具有自适应部分训练的异质性感知异步联邦学习USCCVPR 研讨会2023[论文] [PDF]
多任务联邦学习：一个新问题设置及其简单基准德州大学CVPR 研讨会2023[论文] [代码]
联邦学习：超越中心化中科院; 国科大MM2022[论文]
少样本模型无关联邦学习WHUMM2022[论文] [代码]
无需分享的感觉：通过与隐私无关的混合聚合实现的联邦视频情感识别框架TJUTMM2022[论文]
FedLTN：稀疏及个性化彩票网络的联邦学习ECCV2022[论文] [补充材料]
Auto-FedRL：多机构医疗图像分割的联邦超参数优化ECCV2022[论文] [补充材料] [PDF] [代码]
通过寻求平坦极小值改进联邦学习的泛化能力都灵理工大学ECCV2022[论文] [补充材料] [PDF] [代码]
AdaBest：通过自适应偏差估计最小化联邦学习中的客户端漂移ECCV2022[论文] [补充材料] [PDF] [代码] [页面]
SphereFed：多维球体联邦学习ECCV2022[论文] [补充材料] [PDF]
视频理解的联邦自监督学习ECCV2022[论文] [PDF] [代码]
FedVLN：隐私保护的联邦视觉与语言导航ECCV2022[论文] [补充材料] [PDF] [代码]
通过分布变换解决联邦学习中的异质性ECCV2022[论文] [代码]
FedX：通过交叉知识蒸馏的无监督联邦学习KAISTECCV2022[论文] [补充材料] [PDF] [代码]
通过本地校准个性化联邦医疗图像分割厦门大学ECCV2022[论文] [补充材料] [PDF] [代码]
ATPFL: 联邦学习框架下的自动轨迹预测模型设计哈工大CVPR2022[论文]
重新思考架构设计以应对联邦学习中的数据异质性斯坦福CVPR2022[PUB] [SUPP] [PDF] [CODE] [VIDEO]
FedCorr: 用于标签噪声校正的多阶段联邦学习新加坡科技设计大学CVPR2022[PUB] [SUPP] [PDF] [CODE] [VIDEO]
FedCor: 基于相关性的活动客户端选择策略用于异构联邦学习杜克大学CVPR2022[PUB] [SUPP] [PDF]
分层模型聚合用于个性化联邦学习香港理工大学CVPR2022[PUB] [SUPP] [PDF]
本地学习至关重要：重新思考联邦学习中的数据异质性中佛罗里达大学CVPR2022[PUB] [SUPP] [PDF] [CODE]
具有位置感知神经元的联邦学习南京大学CVPR2022[PUB] [SUPP] [PDF]
RSCFed: 随机采样共识联邦半监督学习香港科技大学CVPR2022[PUB] [SUPP] [PDF] [CODE]
向他人学习并在异构联邦学习中保持自我武汉大学CVPR2022[PUB] [CODE] [VIDEO]
具有噪音和异构客户端的稳健联邦学习武汉大学CVPR2022[PUB] [SUPP] [CODE]
ResSFL: 一种用于应对模型逆向攻击的抵抗传输框架在分割联邦学习中的应用亚利桑那州立大学CVPR2022[PUB] [SUPP] [PDF] [CODE]
FedDC: 通过本地漂移解耦和校正进行联邦学习以处理非独立同分布数据国防科技大学CVPR2022[PUB] [PDF] [CODE] [解读]
联邦类增量学习中国科学院; 西北大学; 悉尼科技大学CVPR2022[PUB] [PDF] [CODE]
通过无数据知识蒸馏微调全局模型以处理非独立同分布联邦学习北京大学; 京东探索研究院; 悉尼大学CVPR2022[PUB] [PDF]
具有本地正则化和稀疏化的差分隐私联邦学习中国科学院CVPR2022[PUB] [PDF]
通过生成梯度泄漏审计联邦学习中的隐私防御田纳西大学; 橡树岭国家实验室; 谷歌研究院CVPR2022[PUB] [PDF] [CODE] [VIDEO]
CD2-pFed: 循环蒸馏引导通道解耦在联邦学习中的模型个性化上海交通大学CVPR2022[PUB] [PDF]
缩小跨筒仓联邦医学图像分割的泛化差距匹兹堡大学; NVIDIACVPR2022[PUB] [PDF]
用于快速和通信高效的联邦学习的自适应差分滤波器赫姆霍兹赫尔穆特研究所CVPR 工作坊2022[PUB] [PDF] [SILDES] [VIDEO]
MPAF: 基于假客户端的模型中毒攻击联邦学习杜克大学CVPR 工作坊2022[PUB] [PDF] [SILDES] [VIDEO]
高效通讯的联邦数据增强在非独立同分布数据下的应用电子科技大学CVPR 工作坊2022[PUB]
联邦丢弃法真的有效吗？斯坦福大学CVPR 工作坊2022[PUB] [VIDEO]
FedIris: 通过联邦模板通信实现更准确和隐私保护的虹膜识别中国科学技术大学; 中科院; 中国科学院自动化研究所CVPR 工作坊2022[PUB] [SLIDES] [VIDEO]
基于联邦学习的多机构合作以改进深度学习为基础的磁共振成像重建约翰霍普金斯大学CVPR2021[PUB] [PDF] [CODE]
模型对比联邦学习 :fire:新加坡国立大学; 加州大学伯克利分校CVPR2021[PUB] [PDF] [CODE] [解读]
FedDG: 通过连续频率空间中的情景学习进行医学图像分割的联邦域泛化 :fire:香港中文大学CVPR2021[PUB] [PDF] [CODE]
Soteria: 从表示视角证明的防御联邦学习中的隐私泄漏杜克大学CVPR2021[PUB] [PDF] [CODE]
通过统一特征学习和优化目标对齐的非独立同分布数据的联邦学习北京大学ICCV2021[PUB]
隐私保护联邦学习的集成注意蒸馏布法罗大学ICCV2021[PUB] [PDF]
从分布式数据进行合作的无监督视觉表示学习南洋理工大学; 商汤科技ICCV2021[PUB] [PDF]
边缘云联合优化在联邦无监督行人重识别中的应用南洋理工大学MM2021[PUB] [PDF]
使用真实世界数据分布的联邦视觉分类麻省理工学院; 谷歌ECCV2020[PUB] [PDF] [VIDEO]
InvisibleFL: 通过非信息中间更新进行联邦学习以防止多媒体隐私泄漏MM2020[PUB]
通过基准分析优化联邦行人重识别的性能 data.南洋理工大学MM2020[PUB] [PDF] [CODE] [解读]
<SOURCE_TEXT>

顶级 NLP 会议和期刊中的联邦学习

联邦学习论文被顶级的 AI 和 NLP 会议和期刊接受，包括 ACL（计算语言学协会年会）、NAACL（北美计算语言学协会分会年会）、EMNLP（自然语言处理实证方法会议）和 COLING（计算语言学国际会议）。

顶级 NLP 会议和期刊中的联邦学习 |标题|所属机构|会议|年份|材料| | ------------------------------------------------------------ | ------------------------------------------------- | -------------- | ---- | ------------------------------------------------------------ | | 通过参数高效的提示调整和自适应优化进行大语言模型的联邦学习 | 奥本大学 | EMNLP | 2023 | [[PUB](https://aclanthology.org/2023.emnlp-main.488/)] [[PDF](https://arxiv.org/abs/2310.15080)] [[CODE](https://github.com/llm-eff/FedPepTAO)] | | 面向情感和情绪感知的多模态投诉识别的联邦元学习 | 印度理工学院帕特纳分校 | EMNLP | 2023 | [[PUB](https://aclanthology.org/2023.emnlp-main.999/)] [[CODE](https://github.com/appy1608/EMNLP2023-Multimodal-Complaint-Detection)] | | FedID：大规模预训练语言模型的联邦交互蒸馏 | 云南大学 | EMNLP | 2023 | [[PUB](https://aclanthology.org/2023.emnlp-main.529/)] [[CODE](https://github.com/maxinge8698/FedID)] | | FedTherapist：通过智能手机上的用户生成语言表达进行心理健康监测 | 韩国科学技术院 | EMNLP | 2023 | [[PUB](https://aclanthology.org/2023.emnlp-main.734/)] [[PDF](https://arxiv.org/abs/2310.16538)] | | 持续联邦学习的协调重放样本选择 | 卡内基梅隆大学 | EMNLP产业会议 | 2023 | [[PUB](https://aclanthology.org/2023.emnlp-industry.32/)] [[PDF](https://arxiv.org/abs/2310.15054)] | | 可调软提示在联邦学习中的信使作用 | 中山大学 | EMNLP研究发现 | 2023 | [[PUB](https://aclanthology.org/2023.findings-emnlp.976/)] [[PDF](https://arxiv.org/abs/2311.06805)] [[CODE](https://github.com/alibaba/FederatedScope/tree/fedsp/federatedscope/nlp/fedsp)] | | 语义解析的联邦学习：任务制定、评估设置和新算法 | 俄亥俄州立大学 | ACL | 2023 | [[PUB](https://aclanthology.org/2023.acl-long.678/)] [[PDF](https://arxiv.org/abs/2305.17221)] [[CODE](https://github.com/osu-nlp-group/fl4semanticparsing)] | | FEDLEGAL：第一个面向法律NLP的真实世界联邦学习基准 | 哈尔滨工业大学；鹏城实验室 | ACL | 2023 | [[PUB](https://aclanthology.org/2023.acl-long.193/)] [[CODE](https://github.com/SMILELab-FL/FedLegal)] | | 客户定制的参数高效联邦学习适配 | | ACL研究发现 | 2023 | [[PUB](https://aclanthology.org/2023.findings-acl.75/)] | | 通过Adapter实现多语言神经机器翻译的通信高效联邦学习 | | ACL研究发现 | 2023 | [[PUB](https://aclanthology.org/2023.findings-acl.327/)] [[PDF](https://arxiv.org/abs/2305.12449)] [[CODE](https://github.com/lancopku/fedmnmt)] | | 通过异构标注集蒸馏进行命名实体识别的联邦域适应 | | ACL研究发现 | 2023 | [[PUB](https://aclanthology.org/2023.findings-acl.470/)] | | FedPETuning：当联邦学习遇上预训练语言模型的参数高效调整方法 | | ACL研究发现 | 2023 | [[PUB](https://aclanthology.org/2023.findings-acl.632/)] | | 带有差分隐私的Gboard语言模型的联邦学习 | | ACL产业会议 | 2023 | [[PUB](https://aclanthology.org/2023.acl-industry.60/)] [[PDF](https://arxiv.org/abs/2305.18465)] | | 通过罕见嵌入和梯度集成进行联邦学习中的后门攻击 | 首尔国立大学 | EMNLP | 2022 | [[PUB](https://aclanthology.org/2022.emnlp-main.6/)] [[PDF](https://arxiv.org/abs/2204.14017)] | | 基于联邦方法预测印地语推文中的表情符号 | 阿尔伯塔大学 | EMNLP | 2022 | [[PUB](https://aclanthology.org/2022.emnlp-main.819)] [[PDF](https://arxiv.org/abs/2211.06401)] [[CODE](https://github.com/deep1401/fedmoji)] | | 用于文本分类的具有私人词汇的联邦模型分解 | 哈尔滨工业大学；鹏城实验室 | EMNLP | 2022 | [[PUB](https://aclanthology.org/2022.emnlp-main.430)] [[CODE](https://github.com/SMILELab-FL/FedVocab)] | | 用差分隐私文本编码器实现公平的NLP模型 | 里尔大学 | EMNLP | 2022 | [[PUB](https://aclanthology.org/2022.findings-emnlp.514/)] [[PDF](https://arxiv.org/abs/2205.06135)] [[CODE](https://github.com/saist1993/dpnlp)] | | 通过选择性客户间传输进行文本分类的联邦持续学习 | DRIMCo GmbH；慕尼黑大学 | EMNLP研究发现 | 2022 | [[PUB](https://aclanthology.org/2022.findings-emnlp.353)] [[PDF](https://arxiv.org/abs/2210.06101)] [[CODE](https://github.com/raipranav/fcl-fedseit)] | | 通过隐私保护的关系嵌入聚合实现知识图谱上的高效联邦学习**`kg.`** | 勒高大学 | EMNLP研究发现 | 2022 | [[PUB](https://aclanthology.org/2022.findings-emnlp.43/)] [[PDF](https://arxiv.org/abs/2203.09553)] [[CODE](https://github.com/taokz/FedR)] | | Dim-Krum：通过基于维度的Krum聚合抵抗NL | 北京大学 | EMNLP研究发现 | 2022 | [[PUB](https://aclanthology.org/2022.findings-emnlp.25/)] [[PDF](https://arxiv.org/abs/2210.06894)] | | 对跨设备联邦学习中的语言模型规模进行扩展 | 谷歌 | ACL工作坊 | 2022 | [[PUB](https://aclanthology.org/2022.fl4nlp-1.2/)] [[PDF](https://arxiv.org/abs/2204.09715)] | | 内在梯度压缩在可扩展和高效联邦学习中的应用 | 牛津大学 | ACL工作坊 | 2022 | [[PUB](https://aclanthology.org/2022.fl4nlp-1.4/)] [[PDF](https://arxiv.org/abs/2112.02656)] | | ActPerFL：主动个性化联邦学习 | 亚马逊 | ACL工作坊 | 2022 | [[PUB](https://aclanthology.org/2022.fl4nlp-1.1)] [[PAGE](https://www.amazon.science/publications/actperfl-active-personalized-federated-learning)] | | FedNLP：为自然语言处理任务的联邦学习方法做基准 | 南加州大学 | NAACL | 2022 | [[PUB](https://aclanthology.org/2022.findings-naacl.13/)] [[PDF](https://arxiv.org/abs/2104.08815)] [[CODE](https://github.com/FedML-AI/FedNLP)] | | 带有噪声用户反馈的联邦学习 | 南加州大学；亚马逊 | NAACL | 2022 | [[PUB](https://aclanthology.org/2022.naacl-main.196/)] [[PDF](https://arxiv.org/abs/2205.03092)] | | 通过联邦学习训练混合领域翻译模型 | 亚马逊 | NAACL | 2022 | [[PUB](https://aclanthology.org/2022.naacl-main.186)] [[PAGE](https://www.amazon.science/publications/training-mixed-domain-translation-models-via-federated-learning)] [[PDF](https://arxiv.org/abs/2205.01557)] | | 多语言联邦学习的预训练模型 | 约翰霍普金斯大学 | NAACL | 2022 | [[PUB](https://aclanthology.org/2022.naacl-main.101)] [[PDF](https://arxiv.org/abs/2206.02291)] [[CODE](https://github.com/orionw/multilingual-federated-learning)] | | 具有全局字符关联的联邦中文分词 | 华盛顿大学 | ACL工作坊 | 2021 | [[PUB](https://aclanthology.org/2021.findings-acl.376)] [[CODE](https://github.com/cuhksz-nlp/GCASeg)] | | Efficient-FedRec：隐私保护新闻推荐的高效联邦学习框架 | 中国科学技术大学 | EMNLP | 2021 | [[PUB](https://aclanthology.org/2021.emnlp-main.223)] [[PDF](https://arxiv.org/abs/2109.05446)] [[CODE](https://github.com/yjw1029/Efficient-FedRec)] [[VIDEO](https://aclanthology.org/2021.emnlp-main.223.mp4)] | | 通过话题记忆改进面向方面的情感分析联邦学习 | 香港中文大学（深圳） | EMNLP | 2021 | [[PUB](https://aclanthology.org/2021.emnlp-main.321/)] [[CODE](https://github.com/cuhksz-nlp/ASA-TM)] [[VIDEO](https://aclanthology.org/2021.emnlp-main.321.mp4)] | | 面向自然语言处理的安全高效联邦学习框架 | 康涅狄格大学 | EMNLP | 2021 | [[PUB](https://aclanthology.org/2021.emnlp-main.606)] [[PDF](https://arxiv.org/abs/2201.11934)] [[VIDEO](https://aclanthology.org/2021.emnlp-main.606.mp4)] | | 在联邦环境中的远程监督关系提取 | 中国科学院大学 | EMNLP工作坊 | 2021 | [[PUB](https://aclanthology.org/2021.findings-emnlp.52)] [[PDF](https://arxiv.org/abs/2008.05049)] [[CODE](https://github.com/DianboWork/FedDS)] | | 带有噪音用户反馈的联邦学习 | 南加州大学；亚马逊 | NAACL工作坊 | 2021 | [[PUB](https://aclanthology.org/2022.naacl-main.196)] [[PDF](https://arxiv.org/abs/2205.03092)] | | 在联邦框架中实现差分隐私序列标注的探讨 | 汉堡大学 | NAACL工作坊 | 2021 | [[PUB](https://aclanthology.org/2021.privatenlp-1.4)] | | 了解在联邦学习下语言模型的非预期记忆 | 谷歌 | NAACL工作坊 | 2021 | [[PUB](https://aclanthology.org/2021.privatenlp-1.1)] [[PDF](https://arxiv.org/abs/2006.07490)] | | FedED：通过集成蒸馏进行医学关系提取的联邦学习 | 中国科学院 | EMNLP | 2020 | [[PUB](https://aclanthology.org/2020.emnlp-main.165)] [[VIDEO](https://slideslive.com/38939230)] [[解读](https://zhuanlan.zhihu.com/p/539347225)] | | 自然语言处理领域的机构联邦学习实证研究 | 平安科技 | EMNLP工作坊 | 2020 | [[PUB](https://aclanthology.org/2020.findings-emnlp.55)] | | 用于语音理解的联邦学习 | 北京大学 | COLING | 2020 | [[PUB](https://aclanthology.org/2020.coling-main.310/)] | | 两阶段联邦表型和患者表示学习 | 波士顿儿童医院哈佛医学院 | ACL工作坊 | 2019 | [[PUB](https://aclanthology.org/W19-5030)] [[PDF](https://arxiv.org/abs/1908.05596)] [[CODE](https://github.com/kaiyuanmifen/FederatedNLP)] [[UC.](https://github.com/MarcioPorto/federated-phenotyping)] | - [SIGIR](https://dblp.uni-trier.de/search?q=federate%20venue%3ASIGIR%3A) [2024](https://dl.acm.org/doi/proceedings/10.1145/3626772), [2023](https://dl.acm.org/doi/proceedings/10.1145/3539618), [2022](https://dl.acm.org/doi/proceedings/10.1145/3477495), [2021](https://dl.acm.org/doi/proceedings/10.1145/3404835), [2020](https://dl.acm.org/doi/proceedings/10.1145/3397271)
在顶级IR会议和期刊中的联邦学习
标题附属机构会议场所年份材料
ReFer: Retrieval-Enhanced Vertical Federated Recommendation for Full Set User Benefit清华大学SIGIR2024[PUB]
Revisit Targeted Model Poisoning on Federated Recommendation: Optimize via Multi-objective Transport浙江大学SIGIR2024[PUB]
FeB4RAG: Evaluating Federated Search in the Context of Retrieval Augmented Generation昆士兰大学SIGIR2024[PUB] [PDF] [CODE]
FedUD: Exploiting Unaligned Data for Cross-Platform Federated Click-Through Rate Prediction阿里巴巴集团SIGIR2024[PUB]
Personalized Federated Relation Classification over Heterogeneous Texts国防科技大学SIGIR2023[PUB]
Fine-Grained Preference-Aware Personalized Federated POI Recommendation with Data Sparsity山东大学SIGIR2023[PUB]
Manipulating Federated Recommender Systems: Poisoning with Synthetic Users and Its Countermeasures昆士兰大学SIGIR2023[PUB] [PDF]
FedAds: A Benchmark for Privacy-Preserving CVR Estimation with Vertical Federated Learning阿里巴巴集团SIGIR2023[PUB] [PDF] [CODE]
Edge-cloud Collaborative Learning with Federated and Centralized Features (short-paper)浙江大学SIGIR2023[PUB] [PDF]
FLIRT: Federated Learning for Information Retrieval (extended-abstract)卢卡高级研究学院SIGIR2023[PUB]
Is Non-IID Data a Threat in Federated Online Learning to Rank?昆士兰大学SIGIR2022[PUB] [CODE]
FedCT: Federated Collaborative Transfer for Recommendation罗格斯大学SIGIR2021[PUB] [PDF] [CODE]
On the Privacy of Federated Pipelines慕尼黑工业大学SIGIR2021[PUB]
FedCMR: Federated Cross-Modal Retrieval.大连理工大学SIGIR2021[PUB] [CODE]
Meta Matrix Factorization for Federated Rating Predictions.山东大学SIGIR2020[PUB] [PDF]

顶级数据库会议和期刊中的联邦学习

联邦学习论文被顶级数据库会议和期刊接受，包括SIGMOD(ACM SIGMOD会议), ICDE(IEEE数据工程国际会议)和VLDB(超大型数据库会议)。

在顶级数据库会议和期刊中的联邦学习
标题附属机构会议年份材料
联邦学习模型在边缘的优化：优点、缺点和不足慕尼黑工业大学DEEM@SIGMOD2024[PUB]
基于拍卖的联邦学习性能定价阿里巴巴集团VLDB2024[PUB] [CODE]
用于聚类联邦学习的区块链系统，通过点对点知识传递南京大学VLDB2024[PUB] [CODE]
高效通讯和可证明的联邦学习删除山东大学；阿卜杜拉国王科技大学VLDB2024[PUB] [PDF] [CODE]
在异构设备上的非独立同分布数据的去中心化联邦学习增强中国科学技术大学ICDE2023[PUB]
异构图中联邦学习的动态客户端与参数激活哥伦比亚大学ICDE2023[PUB] [CODE]
FedKNOW: 边缘任务知识集成的联邦持续学习北京理工大学ICDE2023[PUB] [PDF]
Lumos：针对去中心化设备的异质性联邦图学习上海交通大学ICDE2023[PUB] [PDF]
联邦物联网交互漏洞分析密歇根州立大学ICDE2023[PUB]
非独立同分布数据上的分布正则化联邦学习北京航空航天大学ICDE2023[PUB]
Fed-SC：高维数据上一步式联邦子空间聚类上海科技大学ICDE2023[PUB] [CODE]
FLBooster：用于加速联邦学习的统一高效平台浙江大学ICDE2023[PUB]
FedGTA：一种拓扑感知的联邦图学习平均算法北京理工大学VLDB2023[PUB] [CODE]
FS-Real：真实世界跨设备联邦学习平台阿里巴巴集团VLDB2023[PUB] [PDF] [CODE]
联邦二分类器的校准和评估MetaVLDB2023[PUB] [PDF] [CODE]
Olive：用于防止稀疏化风险的可信执行环境下的隐私保护联邦学习京都大学VLDB2023[PUB] [PDF] [CODE]
Falcon：隐私保护和可解释的垂直联邦学习系统新加坡国立大学VLDB2023[PUB] [CODE]
差分隐私垂直联邦聚类普渡大学VLDB2023[PUB] [PDF] [CODE]
FederatedScope：用于异质性的灵活联邦学习平台 :fire:阿里巴巴VLDB2023[PUB] [PDF] [CODE]
用于跨垒联邦学习的安全 Shapley 值京都大学VLDB2023[PUB] [PDF] [CODE]
OpBoost：基于保序去敏感化的垂直联邦树提升框架浙江大学VLDB2022[PUB] [PDF] [CODE]
Skellam 混合机制：差分隐私联邦学习的新方法新加坡国立大学VLDB2022[PUB] [CODE]
通过缓存使能的本地更新实现高效通信的垂直联邦学习训练北京大学VLDB2022[PUB] [PDF] [CODE]
FedTSC：一种用于可解释时间序列分类的安全联邦学习系统哈尔滨工业大学VLDB2022[PUB] [CODE]
提高水平联邦学习中数据估值的公平性不列颠哥伦比亚大学ICDE2022[PUB] [PDF]
FedADMM：适应系统异构性的稳健联邦深度学习框架中国科学技术大学ICDE2022[PUB] [PDF] [CODE]
FedMP：通过自适应模型剪枝实现的异构边缘计算下的联邦学习中国科学技术大学ICDE2022[PUB]
联邦学习在非独立同分布数据隔离中的实验研究 :fire:新加坡国立大学ICDE2022[PUB] [PDF] [CODE]
通过异构边缘计算中的智能模型迁移增强联邦学习中国科学技术大学ICDE2022[PUB]
Samba：安全联邦多臂赌徒系统克莱蒙费朗大学ICDE2022[PUB] [CODE]
FedRecAttack：联邦推荐模型中毒攻击浙江大学ICDE2022[PUB] [PDF] [CODE]
通过云中无标签数据增强联邦学习中国科学技术大学ICDE2022[PUB]
水平与垂直联邦学习中有效的参与者贡献评价中国科学技术大学ICDE2022[PUB]
联邦计算入门华威大学；FacebookSIGMOD Tutorial2022[PUB]
BlindFL：在不窥探数据的情况下进行的垂直联邦机器学习北京大学；腾讯SIGMOD2022[PUB] [PDF]
跨垒联邦学习的高效排序方法北京航空航天大学ICDE2021[PUB] [RELATED PAPER(ZH)]
垂直联邦学习模型预测中的特征推断攻击新加坡国立大学ICDE2021[PUB] [PDF] [CODE]
联邦学习模型调试中国科学技术大学ICDE2021[PUB]
隐私保障的联邦矩阵分解普渡大学VLDB2021[PUB]
异质差分隐私下的投影联邦平均算法中国人民大学VLDB2021[PUB] [CODE]
联邦学习中基于SQL的训练数据调试西蒙弗雷泽大学VLDB2021[PUB] [PDF] [CODE]
Refiner：基于区块链技术的可靠激励驱动联邦学习系统浙江大学VLDB2021[PUB]
Tanium Reveal: 用于查询大型企业网络上的非结构化文件数据的联合搜索引擎Tanium Inc.VLDB2021[PUB] [VIDEO]
VF2Boost: 用于跨企业学习的非常快速的垂直联合梯度提升北大SIGMOD2021[PUB]
ExDRa: 联合原始数据上的探索性数据科学西门子SIGMOD2021[PUB]
基于联合学习和区块链的边缘计算环境卸载天津大学SIGMOD workshop2021[PUB]
面向基于树模型的隐私保护垂直联合学习新加坡国立大学VLDB2020[PUB] [PDF] [VIDEO] [CODE]

<详情>

联邦学习在顶级网络会议和期刊中的发表情况

联邦学习被顶级数据库会议和期刊接受的论文， 包括SIGCOMM（计算机通信应用、技术、架构和协议会议），INFOCOM（IEEE计算机通信会议），MobiCom（ACM/IEEE国际移动计算和网络会议），NSDI（网络系统设计和实施研讨会）和WWW（万维网会议）。

标题所属机构会议年份资料
ADMarker: A Multi-Modal Federated Learning System for Monitoring Digital Biomarkers of Alzheimer's Disease香港中文大学MobiCom2024[PUB] [PDF] [CODE]
加速去中心化联邦学习通过操控边缘节点深圳大学WWW2024[PUB]
提示增强的联邦内容表示学习用于跨域推荐山东师范大学WWW2024[PUB] [PDF] [CODE]
PAGE: 联邦学习中的个性化与泛化平衡西安电子科技大学WWW2024[PUB] [PDF] [CODE]
联邦学习漏洞：通过去噪扩散概率模型进行隐私攻击华东师范大学WWW2024[PUB]
联邦推荐系统中的共同聚类伊利诺伊大学香槟分校WWW2024[PUB]
联邦遗忘中的激励和动态客户端选择北京邮电大学WWW2024[PUB]
通过低秩训练实现高效通信和安全的联邦推荐系统文大学WWW2024[PUB] [PDF] [CODE]
BlockDFL: 基于区块链的完全去中心化对等联邦学习框架浙江大学WWW2024[PUB] [PDF]
个性化隐私：用户治理数据贡献用于联邦推荐昆士兰大学WWW2024[PUB] [PDF]
FedDSE: 资源受限设备上基于分布感知的子模型提取用于联邦学习南洋理工大学WWW2024[PUB]
在"Alcatraz"中进行基数计数：一种隐私感知联邦学习方法澳大利亚联邦科学与工业研究组织数据61WWW2024[PUB]
隐私保护的联邦异构图神经网络推荐系统北京邮电大学WWW2024[PUB] [PDF]
伪用户攻击联邦推荐系统中国科学技术大学WWW2024[PUB] [PDF]
通过INT8训练在移动DSP上实现节能的联邦学习北京邮电大学WWW2024[PUB]
用于关键基础设施保护和弹性的隐私保护和公平感知联邦学习悉尼科技大学WWW2024[PUB] [CODE]
当联邦推荐遇到冷启动问题：分离项目属性和用户交互吉林大学WWW2024[PUB] [PDF] [CODE]
几个大卫如何改进一个巨人：资源倾斜的边缘计算环境中的联邦学习加州大学圣迭戈分校WWW2024[PUB] [CODE] [VIDEO]
联邦知识图谱嵌入中的投毒攻击香港理工大学WWW2024[PUB] [CODE]
FL@FM-TheWebConf'24: 联邦基础模型国际研讨会香港中文大学WWW (附卷)2024[PUB] [PAGE]
对在社交链接数据服务器上执行联邦学习可行性的调查南安普顿大学WWW (附卷)2024[PUB]
探索表示相似性分析以保护联邦学习免受数据污染中山大学WWW (附卷)2024[PUB]
只发送你需要的：在联邦多语言机器翻译中高效通信的学习普渡大学WWW (附卷)2024[PUB] [PDF]
FedHLT: 使用分层语言树进行多语言建模的高效联邦低秩适应香港中文大学WWW (附卷)2024[PUB]
HBIAS FedAvg: 顺畅的边缘模型联邦学习过渡印度理工学院WWW (附卷)2024[PUB]
Phoenix: 一种联邦生成扩散模型华盛顿大学WWW (附卷)2024[PUB]
大模型时代的联邦学习：用于智能城市安全运营管理的视觉语言模型ENN; UPCWWW (附卷)2024[PUB]
稳健的联邦学习减轻客户端训练数据分布推断攻击中国科学技术大学WWW (附卷)2024[PUB] [PDF]
GradFilt: 在联邦学习中从梯度重构基于分类的目标数据香港理工大学WWW (附卷)2024[PUB]
使用梯度加权的类激活映射检测联邦学习中的投毒攻击高等工程学院WWW (附卷)2024[PUB]
AutoFed: 异构感知的多模态联邦学习用于稳健的自动驾驶南洋理工大学MobiCom2023[PUB] [PDF]
现代自然语言处理的高效联邦学习北京邮电大学 深圳研究院MobiCom2023[PDF] [解读]
FLASH: 面向跨筒仓联邦学习的高性能硬件加速架构香港科技大学 集群NSDI2023[PUB] [SLIDE] [VIDEO]
存储还是不存储？用于存储有限的联邦学习的在线数据选择上海交通大学WWW2023[PUB] [PDF]
pFedPrompt: 联邦学习中用于视觉语言模型的个性化提示学习香港理工大学WWW2023[PUB]
量化和防御联邦知识图谱嵌入中的隐私威胁浙江大学 海创园WWW2023[PUB] [PDF]
通过表示蒸馏进行垂直联邦知识转移用于医疗合作网络北京大学WWW2023[PUB] [PDF] [CODE]
半去中心化的联邦自我图学习用于推荐南方科技大学WWW2023[PUB] [PDF]
FlexiFed: 用于边缘客户端的个性化联邦学习具有异构模型架构斯威本科技大学WWW2023[PUB] [CODE]
FedEdge: 加速边缘辅助联邦学习斯威本科技大学WWW2023[PUB]
带有隐含链接类型异质性的图上联邦节点分类埃默里大学WWW2023[PUB] [CODE]
FedACK: 联邦对抗性对比知识蒸馏用于跨语言和跨模型的社交机器人检测中国科学技术大学WWW2023[PUB] [PDF] [CODE]
交互级别的会员推理攻击对联邦推荐系统的影响。昆士兰大学万维网会议2023[PUB] [PDF]
AgrEvader: 对拜占庭鲁棒联邦学习的中毒会员推理攻击。迪肯大学万维网会议2023[PUB]
异构联邦知识图嵌入学习和遗忘。南京大学万维网会议2023[PUB] [PDF] [CODE]
联邦学习在元宇宙中的应用综述。暨南大学万维网会议（附件卷）2023[PUB] [PDF]
理解标签偏斜和优化对文本分类联邦学习的影响。鲁汶大学万维网会议（附件卷）2023[PUB]
隐私保护的在线内容审核：联邦学习案例。塞浦路斯理工大学万维网会议（附件卷）2023[PUB] [PDF]
通过联邦学习实现隐私保护的在线内容审核。塞浦路斯理工大学万维网会议（附件卷）2023[PUB]
联邦学习在药物-靶点相互作用上的基准。都灵大学万维网会议（附件卷）2023[PUB] [PDF] [CODE]
联邦动态数据空间的去中心化数据中心和查询系统。柏林工业大学万维网会议（附件卷）2023[PUB]
第一届联邦学习技术研讨会。都灵大学万维网会议（附件卷）2023[PUB]
可信联邦学习的综述：安全性、鲁棒性和隐私视角。香港中文大学万维网会议（附件卷）2023[PUB] [PDF]
异构联邦学习的分层知识传递框架。清华大学INFOCOM2023[PUB]
基于强化学习的联邦学习集群中最小化任务完成时间的方法。东南大学INFOCOM2023[PUB]
去中心化联邦学习中异构参与者的自适应配置。中国科学技术大学INFOCOM2023[PUB] [PDF]
AnycostFL: 基于异构边缘设备的高效按需联邦学习。广东工业大学INFOCOM2023[PUB] [PDF]
AOCC-FL: 通过校准补偿实现重叠对齐的联邦学习。华中科技大学INFOCOM2023[PUB]
异步联邦遗忘。多伦多大学INFOCOM2023[PUB] [PDF] [CODE]
基于自适应梯度量化的通信高效联邦学习，适用于异构边缘设备。宾夕法尼亚州立大学INFOCOM2023[PUB] [PDF]
通过分布式压缩感知实现通信高效的联邦学习。北京航空航天大学INFOCOM2023[PUB]
在异构和相关客户端可用性下的联邦学习。法国国家信息与自动化研究所INFOCOM2023[PUB] [PDF] [CODE]
灵活控制的联邦学习。IBMINFOCOM2023[PUB] [PDF] [CODE]
基于Grassmann流形的联邦PCA，用于物联网网络中的异常检测。悉尼大学INFOCOM2023[PUB] [PDF]
FedMoS: 通过双重动量和自适应选择解决联邦学习中的客户端漂移问题。华中科技大学INFOCOM2023[PUB] [PDF] [CODE]
FedSDG-FS: 垂直联邦学习的高效安全特征选择。南洋理工大学INFOCOM2023[PUB] [PDF]
具有自适应客户端选择和梯度压缩的异质性感知联邦学习。中国科学技术大学INFOCOM2023
具有成本效益的多小区联邦学习的边缘聚合与关联机制。国防科技大学INFOCOM2023[PUB]
联邦学习中的联合参与激励和网络定价设计。西北大学INFOCOM2023[PUB]
足够的多余：生产联邦学习中的自适应防御。多伦多大学INFOCOM2023[PUB] [PDF] [WEIBO]
网络自适应联邦学习：拥塞和有损压缩。德克萨斯大学奥斯汀分校INFOCOM2023[PUB] [PDF]
OBLIVION: 通过诱导灾难性遗忘对联邦学习进行中毒攻击。香港恒生大学INFOCOM2023[PUB] [CODE]
联邦学习中的隐私作为差分隐私资源。北京邮电大学INFOCOM2023[PUB]
SplitGP: 在联邦学习中同时实现泛化和个性化。韩国高等科学技术研究院INFOCOM2023[PUB] [PDF]
SVDFed: 通过奇异值分解实现通信高效的联邦学习。北京航空航天大学INFOCOM2023[PUB]
解决联邦学习中的系统诱导偏差：分层和收敛分析。南方科技大学INFOCOM2023[PUB] [PDF]
面向可持续AI：通过拍卖实现云边缘系统中的联邦学习需求响应。北京邮电大学INFOCOM2023[PUB] [PDF]
真实的联邦学习激励机制，使用众包数据标注。奥本大学INFOCOM2023[PUB] [PDF]
TVFL: 面向通信高效模型服务的可调节垂直联邦学习。中国科学技术大学INFOCOM2023[PUB]
PyramidFL: 细粒度数据和系统异构感知的客户端选择，以实现高效联邦学习。密歇根州立大学MobiCom2022[PUB] [PDF] [CODE]
NestFL: 通过渐进模型修剪在异构边缘计算中实现高效联邦学习。pmlabsMobiCom(海报)2022[PUB]
使用BGRU模型的基于联邦学习的智能城市空气质量预测。印度理工学院马德拉斯分校MobiCom(海报)2022[PUB]
FedHD：使用超维计算的联邦学习。加州大学圣地亚哥分校MobiCom(演示)2022[PUB] [CODE]
在多宽度神经网络上的联合叠加编码与训练用于联邦学习。韩国大学INFOCOM2022[PUB]
在非独立同分布数据上的最优多模态联邦学习方法：分层梯度融合。多伦多大学INFOCOM2022[PUB]
在压缩通信下的联邦学习中实现最优速率适应。深圳大学INFOCOM2022[PUB] [PDF]
联邦学习中被遗忘的权利：通过快速再训练实现的高效落地。香港城市大学INFOCOM2022[PUB] [PDF]
采用自适应客户端采样的联邦学习系统和统计异质性的解决方案香港中文大学；AIRS；耶鲁大学INFOCOM2022[PUB] [PDF]
使用随机优化的通信高效设备调度用于联邦学习陆军研究实验室，阿德尔菲INFOCOM2022[PUB] [PDF]
FLASH：用于自动选择高频毫米波扇区的联邦学习东北大学INFOCOM2022[PUB] [CODE]
采用差分隐私联邦学习的利润最大化的模型市场香港中文大学；AIRSINFOCOM2022[PUB]
防止梯度泄露攻击保护联邦学习中的隐私香港理工大学INFOCOM2022[PUB] [SLIDE]
FedFPM：一个用于协作频繁模式挖掘的统一联邦分析框架上海交通大学INFOCOM2022[PUB] [CODE]
一种无精度损失的扰动方法，用于防御联邦学习中的隐私攻击西南交通大学；清华大学WWW2022[PUB] [PDF] [CODE]
LocFedMix-SL：本地化、联邦化和混合，用于分布式学习中的可扩展性、收敛性和延迟改进延世大学WWW2022[PUB]
通过类别判别剪枝进行联邦遗忘香港理工大学WWW2022[PUB] [PDF] [CODE]
FedKC：用于多语言自然语言理解的联邦知识组成普渡大学WWW2022[PUB]
通过竞争性GPU资源共享为多任务联邦学习提供动力WWW (附录卷)2022
联邦Bandit：一种基于八卦的策略加利福尼亚大学SIGMETRICS2021[PUB] [PDF]
Hermes：一种适用于异构移动客户端的高效联邦学习框架杜克大学MobiCom2021[PUB]
用于活动识别的联邦移动传感三星人工智能中心MobiCom2021[PUB] [PAGE] [TALKS] [VIDEO]
为边缘提供联邦学习预测的在线控制学习：预测性的学习南京大学INFOCOM2021[PUB]
异构联邦学习中的设备采样：理论、算法和实现普渡大学INFOCOM2021[PUB] [PDF]
FAIR：具有精准用户激励和模型聚合的质量感知联邦学习清华大学INFOCOM2021[PUB]
联邦学习的样本级数据选择中国科学技术大学INFOCOM2021[PUB]
交谈或工作：灵活的通信压缩，用于异构移动边缘设备的能源高效联邦学习西安电子科技大学；中国科学院INFOCOM2021[PUB] [PDF]
成本效益的联邦学习设计香港中文大学；AIRS；耶鲁大学INFOCOM2021[PUB] [PDF]
用于跨岗位联邦学习的激励机制：一个公共物品的视角不列颠哥伦比亚大学INFOCOM2021[PUB]
在边缘计算中具层次聚合的资源高效联邦学习中国科学技术大学INFOCOM2021[PUB]
FedServing：基于激励机制的联邦预测服务框架暨南大学；香港城市大学INFOCOM2021[PUB] [PDF]
通过带限协调下降方法在无线网络上进行联邦学习亚利桑那州立大学INFOCOM2021[PUB] [PDF]
基于双重注意力的无线交通预测联邦学习阿卜杜拉国王科技大学INFOCOM2021[PUB] [PDF] [CODE]
FedSens：一种用于资源受限边缘计算中的类间不平衡的智能健康传感联邦学习方法圣母大学INFOCOM2021[PUB]
P-FedAvg：具有理论保障的并行联邦学习中山大学；广东省大数据分析与处理重点实验室INFOCOM2021[PUB]
Meta-HAR：用于人类活动识别的联邦表示学习阿尔伯塔大学WWW2021[PUB] [PDF] [CODE]
PFA：隐私保护的联邦适应，用于有效的模型个性化北京大学WWW2021[PUB] [PDF] [CODE]
用于协同健康数据分析的通信高效联邦广义张量分解埃默里大学WWW2021[PUB] [CODE]
用户建模的层级个性化联邦学习中国科学技术大学WWW2021[PUB]
在大规模智能手机数据上的联邦学习异质性影响的特征分析北京大学WWW2021[PUB] [PDF] [SLIDE] [CODE]
基于声誉和反向拍卖的水平联邦学习激励机制中山大学WWW2021[PUB]
在上行MU-MIMO支持的无线网络中，针对联邦学习的物理层算术南京大学INFOCOM2020[PUB]
在非独立同分布数据上使用强化学习优化联邦学习 :fire:多伦多大学INFOCOM2020[PUB] [SLIDE] [CODE] [解读]
在不受信任参与者处实现联邦学习的执行保障清华大学INFOCOM2020[PUB] [CODE]
在移动客户端上进行十亿规模联邦学习：一种可调隐私的子模型设计上海交通大学MobiCom2020[PUB]
在无线网络上进行联邦学习：优化模型设计与分析悉尼大学INFOCOM2019[PUB] [CODE]
超越推断分类代表：从联邦学习中进行用户级隐私泄漏武汉大学INFOCOM2019[PUB] [PDF] [UC.]
InPrivate Digging：使用差分隐私进行树型分布式数据挖掘地理信息技术协同创新中心INFOCOM2018[PUB]

顶级系统会议和期刊中的联邦学习（FL）

联邦学习论文已被顶级数据库会议和期刊接受，包括 OSDI（美国计算机协会操作系统设计与实现研讨会），SOSP（操作系统原理研讨会），ISCA（国际计算机体系结构研讨会），MLSys（机器学习与系统会议），EuroSys（欧洲计算机系统会议），TPDS（IEEE并行与分布式系统汇刊），DAC（设计自动化会议），TOCS（ACM计算机系统汇刊），TOS（ACM存储汇刊），TCAD（IEEE集成电路与系统计算机辅助设计汇刊），TC（IEEE计算机汇刊）。

顶级系统会议和期刊中的联邦学习（FL） |标题 |隶属单位 |会议 |年份 |材料 | | --- | --- | --- | --- | --- | | FedTrans: Efficient Federated Learning via Multi-Model Transformation | 伊利诺伊大学香槟分校 | MLSys | 2024 | [PUB](https://proceedings.mlsys.org/paper_files/paper/2024/hash/bbd7d8bd780fcf7143add2317ba04638-Abstract-Conference.html) [PDF](https://arxiv.org/abs/2404.13515) | | LIFL: A Lightweight, Event-driven Serverless Platform for Federated Learning | 加州大学河滨分校 | MLSys | 2024 | [PUB](https://proceedings.mlsys.org/paper_files/paper/2024/hash/c2a0e26dd9ee7d57e92bb1c24b39659a-Abstract-Conference.html) [PDF](https://arxiv.org/abs/2405.10968) | | HeteroSwitch: Characterizing and Taming System-Induced Data Heterogeneity in Federated Learning | 韩国大学 | MLSys | 2024 | [PUB](https://proceedings.mlsys.org/paper_files/paper/2024/hash/0badcb4e95306df76a719409155e46e8-Abstract-Conference.html) [PDF](https://arxiv.org/abs/2403.04207) [CODE](https://github.com/casl-ku/heteroswitch) | | DeTA: Minimizing Data Leaks in Federated Learning via Decentralized and Trustworthy Aggregation | IBM研究院 | EuroSys | 2024 | [PUB](https://dl.acm.org/doi/10.1145/3627703.3650082) | | FLOAT: Federated Learning Optimizations with Automated Tuning | 弗吉尼亚理工大学 | EuroSys | 2024 | [PUB](https://dl.acm.org/doi/10.1145/3627703.3650081) [CODE](https://github.com/AFKD98/FLOAT/) | | Totoro: A Scalable Federated Learning Engine for the Edge | 加州大学圣克鲁兹分校 | EuroSys | 2024 | [PUB](https://dl.acm.org/doi/10.1145/3627703.3629575) | | Dordis: Efficient Federated Learning with Dropout-Resilient Differential Privacy | 香港科技大学 | EuroSys | 2024 | [PUB](https://dl.acm.org/doi/10.1145/3627703.3629559) [PDF](https://arxiv.org/abs/2209.12528) [CODE](https://github.com/samuelgong/dordis) | | FLIGAN: Enhancing Federated Learning with Incomplete Data using GAN | | EuroSys研讨会 | 2024 | [PUB](https://dl.acm.org/doi/10.1145/3642968.3654813) | | ALS Algorithm for Robust and Communication-Efficient Federated Learning | | EuroSys研讨会 | 2024 | [PUB](https://dl.acm.org/doi/10.1145/3642970.3655842) | | FedRDMA: Communication-Efficient Cross-Silo Federated LLM via Chunked RDMA Transmission. | | EuroSys研讨会 | 2024 | [PUB](https://dl.acm.org/doi/10.1145/3642970.3655834) | | Synchronize Only the Immature Parameters: Communication-Efficient Federated Learning By Freezing Parameters Adaptively | 上海交通大学 | TPDS | 2024 | [PUB](https://ieeexplore.ieee.org/document/10036106) | | FedREM: Guided Federated Learning in the Presence of Dynamic Device Unpredictability | 中山大学 | TPDS | 2024 | [PUB](https://ieeexplore.ieee.org/document/10521537) | | Fed-RAC: Resource-Aware Clustering for Tackling Heterogeneity of Participants in Federated Learning | 印度理工学院帕塔拉校区 | TPDS | 2024 | [PUB](https://ieeexplore.ieee.org/document/10476717) [PDF](https://arxiv.org/abs/2306.04207) | | Taking Advantage of the Mistakes: Rethinking Clustered Federated Learning for IoT Anomaly Detection | 维多利亚大学 | TPDS | 2024 | [PUB](https://ieeexplore.ieee.org/document/10476751) | | FedICT: Federated Multi-Task Distillation for Multi-Access Edge Computing | 中国科学院大学 | TPDS | 2024 | [PUB](https://ieeexplore.ieee.org/document/10163770) [PDF](http://export.arxiv.org/abs/2301.00389) | | Collaboration in Federated Learning With Differential Privacy: A Stackelberg Game Analysis | 中山大学 | TPDS | 2024 | [PUB](https://ieeexplore.ieee.org/document/10400897) | | FAST: Enhancing Federated Learning Through Adaptive Data Sampling and Local Training | 中国科学技术大学 | TPDS | 2024 | [PUB](https://ieeexplore.ieee.org/document/10323207) | | EcoFed: Efficient Communication for DNN Partitioning-Based Federated Learning | 圣安德鲁斯大学 | TPDS | 2024 | [PUB](https://ieeexplore.ieee.org/document/10380682) [PDF](https://arxiv.org/abs/2304.05495) [CODE](https://github.com/blessonvar/ecofed) | | FedHAP: Federated Hashing With Global Prototypes for Cross-Silo Retrieval | 清华大学 | TPDS | 2024 | [PUB](https://ieeexplore.ieee.org/document/10286313) [PDF](https://arxiv.org/abs/2207.05525) | | FedStar: Efficient Federated Learning on Heterogeneous Communication Networks | 中国科学技术大学 | TCAD | 2024 | [PUB](https://ieeexplore.ieee.org/document/10373574) | | Lithography Hotspot Detection Based on Heterogeneous Federated Learning With Local Adaptation and Feature Selection | 浙江大学 | TCAD | 2024 | [PUB](https://ieeexplore.ieee.org/document/10319303) [PDF](https://arxiv.org/abs/2107.04367) | | FedComp: A Federated Learning Compression Framework for Resource-Constrained Edge Computing Devices | 哈尔滨工业大学 | TCAD | 2024 | [PUB](https://ieeexplore.ieee.org/document/10226409) | | User-Distribution-Aware Federated Learning for Efficient Communication and Fast Inference | 华东师范大学; 上海大学 | TC | 2024 | [PUB](https://ieeexplore.ieee.org/document/10308406) | | FedRFQ: Prototype-Based Federated Learning With Reduced Redundancy, Minimal Failure, and Enhanced Quality | 山东大学 | TC | 2024 | [PUB](https://ieeexplore.ieee.org/document/10398600) [PDF](https://arxiv.org/abs/2401.07558) | | Value of Information: A Comprehensive Metric for Client Selection in Federated Edge Learning | 山东大学 | TC | 2024 | [PUB](https://ieeexplore.ieee.org/document/10406184) | | Age-Aware Data Selection and Aggregator Placement for Timely Federated Continual Learning in Mobile Edge Computing | 大连理工大学 | TC | 2024 | [PUB](https://ieeexplore.ieee.org/document/10324368) | | FedGKD: Toward Heterogeneous Federated Learning via Global Knowledge Distillation | 华中科技大学 | TC | 2024 | [PUB](https://ieeexplore.ieee.org/document/10252049) [PDF](https://arxiv.org/abs/2107.00051) | | Digital Twin-Assisted Federated Learning Service Provisioning Over Mobile Edge Networks | 山东大学 | TC | 2024 | [PUB](https://ieeexplore.ieee.org/document/10335637) | | REFL: Resource-Efficient Federated Learning | 伦敦大学玛丽皇家学院 | EuroSys | 2023 | [PUB](https://dl.acm.org/doi/10.1145/3552326.3567485) [PDF](https://arxiv.org/abs/2111.01108) [CODE](https://github.com/ahmedcs/refl) | | A First Look at the Impact of Distillation Hyper-Parameters in Federated Knowledge Distillation | | EuroSys研讨会 | 2023 | [PUB](https://dl.acm.org/doi/10.1145/3578356.3592590) | | Towards Practical Few-shot Federated NLP | | EuroSys研讨会 | 2023 | [PUB](https://dl.acm.org/doi/10.1145/3578356.3592575) | | Can Fair Federated Learning Reduce the need for Personalisation? | | EuroSys研讨会 | 2023 | [PUB](https://dl.acm.org/doi/10.1145/3578356.3592592) | | Gradient-less Federated Gradient Boosting Tree with Learnable Learning Rates | | EuroSys研讨会 | 2023 | [PUB](https://dl.acm.org/doi/10.1145/3578356.3592579) | | Towards Robust and Bias-free Federated Learning | | EuroSys研讨会 | 2023 | [PUB](https://dl.acm.org/doi/10.1145/3578356.3592576) | | FedTree: A Federated Learning System For Trees | 加州大学伯克利分校 | MLSys | 2023 | [PUB](https://proceedings.mlsys.org/paper_files/paper/2023/hash/3430e7055936cb8e26451ed49fce84a6-Abstract-mlsys2023.html) [CODE](https://github.com/Xtra-Computing/FedTree) | | FLINT: A Platform for Federated Learning Integration | 领英 | MLSys | 2023 | [PUB](https://proceedings.mlsys.org/paper_files/paper/2023/hash/d3313de3f431fd64513431c4326d237c-Abstract-mlsys2023.html) [PDF](https://arxiv.org/abs/2302.12862) | | On Noisy Evaluation in Federated Hyperparameter Tuning | 卡内基梅隆大学 | MLSys | 2023 | [PUB](https://proceedings.mlsys.org/paper_files/paper/2023/hash/294f82c43d69f66c04440cbb2740e52d-Abstract-mlsys2023.html) [PDF](https://arxiv.org/abs/2212.08930) [CODE](https://github.com/imkevinkuo/noisy-eval-in-fl) | | GlueFL: Reconciling Client Sampling and Model Masking for Bandwidth Efficient Federated Learning | 英属哥伦比亚大学 | MLSys | 2023 | [PUB](https://proceedings.mlsys.org/paper_files/paper/2023/hash/3ed923f9f88108cb066c6568d3df2666-Abstract-mlsys2023.html) [PDF](https://arxiv.org/abs/2212.01523) [CODE](https://github.com/TCtower/GlueFL) | | Self-Supervised On-Device Federated Learning From Unlabeled Streams. | 复旦大学 | TCAD | 2023 | [PUB](https://ieeexplore.ieee.org/document/10128673) [PDF](https://arxiv.org/abs/2212.01006) | | Optimizing Training Efficiency and Cost of Hierarchical Federated Learning in Heterogeneous Mobile-Edge Cloud Computing | 华东师范大学 | TCAD | 2023 | [PUB](https://ieeexplore.ieee.org/document/9882092) | | Lightweight Blockchain-Empowered Secure and Efficient Federated Edge Learning | 埃克塞特大学 | TC | 2023 | [PUB](https://ieeexplore.ieee.org/document/10177803) | | Towards Data-Independent Knowledge Transfer in Model-Heterogeneous Federated Learning | 香港理工大学 | TC | 2023 | [PUB](https://ieeexplore.ieee.org/document/10115052) | | A New Federated Scheduling Algorithm for Arbitrary-Deadline DAG Tasks | 东北林业大学 | TC | 2023 | [PUB](https://ieeexplore.ieee.org/document/10043684) | | Privacy-Enhanced Decentralized Federated Learning at Dynamic Edge | 山东大学 | TC | 2023 | [PUB](https://ieeexplore.ieee.org/document/10025677) | | Byzantine-Resilient Federated Learning at Edge | 山东大学 | TC | 2023 | [PUB](https://ieeexplore.ieee.org/document/10070815) [PDF](https://arxiv.org/abs/2303.10434) | | PrivAim: A Dual-Privacy Preserving and Quality-Aware Incentive Mechanism for Federated Learning | 中南大学 | TC | 2023 | [PUB](https://ieeexplore.ieee.org/document/9994045) | | 加速联邦学习与全局偏差优化器 | 埃克塞特大学 | TC | 2023 | [[PUB](https://ieeexplore.ieee.org/document/9913718)] [[PDF](https://arxiv.org/abs/2108.09134)] [[CODE](https://github.com/jedmills/fedgbo)] | | 异构多核平台上基于类型有向无环图任务的联邦调度 | 多特蒙德工业大学 | TC | 2023 | [[PUB](https://ieeexplore.ieee.org/document/9869701)] [[CODE](https://github.com/Strange369/TypedDAG_on_HeteroMP)] | | 沙盒计算：通过区块链和联邦学习的数据隐私可信共享范式 | 北京邮电大学 | TC | 2023 | [[PUB](https://ieeexplore.ieee.org/document/9791849/)] | | CHEESE: 基于分布式聚类的边缘网络混合联邦分裂学习 | 苏州大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10274134)] | | 动量加速的多级网络分层联邦学习 | 悉尼大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10180030)] [[PDF](https://arxiv.org/abs/2210.14560)] | | Dap-FL: 通过自适应调优和安全聚合促进联邦学习 | 西安电子科技大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10103633)] [[PDF](https://arxiv.org/abs/2206.03623)] [[CODE](https://github.com/XDUJiaweiChen/Dap-FL)] | | 面向SDVN的协作入侵检测系统：一种公平的联邦深度学习方法 | 安徽大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10177377)] | | 边缘计算中面向设备的节能联邦学习 | 澳大利亚国立大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10129058)] | | 局部SGD步数衰减加速的联邦学习 | 埃克塞特大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10128796)] [[PDF](https://arxiv.org/abs/2305.09628)] [[CODE](https://github.com/JedMills/Faster-FL)] | | DRFL: 使用眼底图像进行糖尿病视网膜病变分级的联邦学习 | 拉塔克尔国家技术学院 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10093080)] | | FedProf: 基于分布表示分析的选择性联邦学习 | 鹏程实验室 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10097520)] [[PDF](https://arxiv.org/abs/2102.01733)] [[UC](https://github.com/Koukyosyumei/NAIST-FedML-Experiments)] | | 边缘计算中的联邦集成模型增强学习 | 埃克塞特大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10093139)] [[PDF](https://arxiv.org/abs/2109.05549)] | | 区块链基础的联邦学习中联合资源分配的激励机制设计 | 印第安纳大学普渡大学印第安纳波利斯联合分校 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10061576)] [[PDF](https://arxiv.org/abs/2202.10938)] | | HiFlash: 基于通信高效的自适应陈旧控制和异构感知客户端-边缘关联的分层联邦学习 | 中山大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10021868)] [[PDF](https://arxiv.org/abs/2301.06447)] | | 从退化到加速：一种恢复联邦优化中步同步异步的校准方法 | 香港理工大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10070571)] [[PDF](https://arxiv.org/abs/2112.09355)] [[CODE](https://github.com/harliwu/fedagrac)] | | 耦合图上的联邦学习 | 西安交通大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10029878)] [[PDF](https://arxiv.org/abs/2301.11099)] | | 隐私与效率：通过自适应分层联邦学习同时实现 | 国防科技大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10043027)] | | 基于有损通信的联邦学习模型传输策略 | 深圳大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10032555)] | | 最小化能耗的联邦学习调度算法 | 波尔多大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10032558)] [[PDF](https://arxiv.org/abs/2209.06210)] [[CODE](https://github.com/llpilla/energy-optimal-federated-learning)] | | 移动边缘计算系统中的基于拍卖的聚类联邦学习 | 哈尔滨工业大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10032710)] [[PDF](https://arxiv.org/abs/2103.07150)] | | 通过联邦自我知识蒸馏实现个性化边缘智能 | 华中科技大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/9964434/)] [[CODE](https://github.com/CGCL-codes/pFedSD)] | | 基于量化的DNN Delta压缩框架用于模型快照和联邦学习 | 哈尔滨工业大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10018182)] | | 知识共享设备跨设备联邦学习的多任务智能调度 | 百度 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/9964248)] [[PDF](https://arxiv.org/abs/2211.13430)] | | 分布式边缘网络下的数据中心客户端选择联邦学习 | 印度理工学院 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/9930629)] | | GossipFL: 一个基于稀疏和自适应通信的去中心化联邦学习框架 | 香港浸会大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/9996127)] | | FedMDS: 一个高效的模型差异感知半异步聚类联邦学习框架 | 重庆大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/10018536)] | | HierFedML: 移动边缘计算分层联邦学习中聚合器放置和UE分配 | 大连理工大学 | TPDS | 2023 | [[PUB](https://ieeexplore.ieee.org/document/9935309)] | | 高效模型更新的联邦学习数据选择 | | EuroSys workshop | 2022 | [[PUB](https://dl.acm.org/doi/10.1145/3517207.3526980)] | | 异构环境中的联邦学习经验分析 | | EuroSys workshop | 2022 | [[PUB](https://dl.acm.org/doi/10.1145/3517207.3526969)] | | BAFL: 基于区块链的异步联邦学习框架 | | TC | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9399813/)] [[CODE](https://github.com/xuchenhao001/AFL)] | | L4L: 联邦学习中经验驱动的计算资源控制 | | TC | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9384231)] | | 资源约束下非独立同分布数据的自适应联邦学习 | | TC | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9496155)] | | 使用信号量进行联邦调度的并行实时任务锁定协议 | | TCAD | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9542981)] | | 高效训练的客户端调度和资源管理在异构物联网-边缘联邦学习中 | 华东师范大学 | TCAD | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9530450)] | | PervasiveFL: 异构物联网系统的普适联邦学习 | 华东师范大学 | TCAD | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9925684)] | | FHDnn: 基于AIoT网络的通信高效和稳健的联邦学习 | 加州大学圣地亚哥分校 | DAC | 2022 | [[PUB](https://dl.acm.org/doi/10.1145/3489517.3530394)] | | 通过委员会机制保障收敛的去中心化联邦学习框架 | 中山大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9870745)] [[PDF](https://arxiv.org/abs/2108.00365)] | | 通过质量感知用户激励和自动加权模型聚合改进联邦学习 | 清华大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9847055)] | | $f$funcX: 面向科学的联邦功能即服务 | 西湖大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9899739)] [[PDF](https://arxiv.org/abs/2209.11631)] | | 区块链辅助去中心化联邦学习（BLADE-FL）：性能分析与资源分配 | 国防科技大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9664296)] [[PDF](https://arxiv.org/abs/2101.06905)] [[CODE](https://github.com/ElvisShaoYumeng/BLADE-FL)] | | 边缘计算中面向主动内容缓存的自适应联邦深度强化学习 | 重庆大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9868114)] | | TDFL: 基于真理发现的拜占庭鲁棒联邦学习 | 北京理工大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9887909)] | | 使用Nesterov加速梯度的联邦学习 | 悉尼大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9891808)] [[PDF](https://arxiv.org/abs/2009.08716)] | | FedGraph: 通过智能采样的联邦图学习 | 阿德莱德大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/abstract/document/9606516/)] [[CODE](https://github.com/cfh19980612/FedGraph)] [[解读](https://zhuanlan.zhihu.com/p/442233479)] | | AUCTION: 一个高效联邦学习的自动化和质量感知客户端选择框架 | 清华大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9647925)] | | DONE: 用于联邦边缘学习的分布式近似牛顿方法 | 悉尼大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9695269)] [[PDF](https://arxiv.org/abs/2012.05625)] [[CODE](https://github.com/dual-grp/DONE)] | | 灵活的聚类联邦学习适应客户端级数据分布变化 | 重庆大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9647969)] [[PDF](https://arxiv.org/abs/2108.09749)] [[CODE](https://github.com/morningd/flexcfl)] | | 无线边缘网络中用于高效分层联邦学习的最小-最大成本优化 | 西安电子科技大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9629331)] | | LightFed: 基于模型拆分的高效安全联邦边缘学习系统 | 中南大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9613755)] | | 关于在通信受限的分散联邦学习中多次八卦步骤的好处 | 普渡大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9664349)] [[PDF](https://arxiv.org/abs/2011.10643)] [[CODE](https://github.com/anishacharya/DeLiCoCo)] | | 激励感知的自治客户端参与联邦学习 | 中山大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9705080)] | | 通信和计算高效的联邦域适应 | 香港科技大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9757821)] | | 分散的边缘智能：分层联邦学习的动态资源分配框架 | 南洋理工大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9479786)] | | 差分隐私抗拜占庭鲁棒的联邦学习 | 曲阜师范大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9757841)] | | 面向个性化深度神经网络的多任务联邦学习在边缘计算中的应用 | 埃克塞特大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9492755)] [[PDF](https://arxiv.org/abs/2007.09236)] [[CODE](https://github.com/JedMills/MTFL-For-Personalised-DNNs)] | | 基于信誉感知的亨利昂合作效应的无服务器分层联邦学习 | 北京航空航天大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9665214)] | | 差分隐私的联邦时间差分学习 | 纽约州立大学石溪分校 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9645233)] | | 在非独立同分布数据上，通过无界陈旧梯度实现高效稳定的K异步联邦学习 | 西安交通大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9712243)] [[PDF](https://arxiv.org/abs/2203.01214)] | | 具有补偿重叠FedAvg的通信高效联邦学习 | 四川大学 | TPDS | 2022 | [[PUB](https://ieeexplore.ieee.org/document/9459540)] [[PDF](https://arxiv.org/abs/2012.06706)] [[CODE](https://github.com/Soptq/Overlap-FedAvg)] | | PAPAYA：实用的、私密的和可扩展的联邦学习 | Meta AI | MLSys | 2022 | [[PUB](https://proceedings.mlsys.org/paper_files/paper/2022/hash/a8bc4cb14a20f20d1f96188bd61eec87-Abstract.html)] [[PDF](https://arxiv.org/abs/2111.04877)] | | LightSecAgg：用于联邦学习的轻量且多功能的安全聚合设计 | 南加州大学 | MLSys | 2022 | [[PUB](https://proceedings.mlsys.org/paper_files/paper/2022/hash/6c44dc73014d66ba49b28d483a8f8b0d-Abstract.html)] [[PDF](https://arxiv.org/abs/2109.14236)] [[CODE](https://github.com/LightSecAgg/MLSys2022_anonymous)] | | 通过设备相似性加速训练在联邦学习中 | | EuroSys workshop | 2021 | [[PUB](https://dl.acm.org/doi/10.1145/3434770.3459734)] | | 通过注意力传递减轻客户系统和数据异质性实现联邦学习 | | EuroSys workshop | 2021 | [[PUB](https://dl.acm.org/doi/10.1145/3434770.3459739)] | | 通过自适应模型量化减轻联邦学习中的设备异质性 | | EuroSys workshop | 2021 | [[PUB](https://dl.acm.org/doi/10.1145/3437984.3458839)] | | SAFA：一种高效的低开销半异步协议用于快速联邦学习 | 华威大学 | TC | 2021 | [[PDF](https://arxiv.org/abs/1910.01355)] [[PUB](https://ieeexplore.ieee.org/document/9093123)] [[CODE](https://github.com/wingter562/SAFA)] | | 面向云端AIoT应用的高效联邦学习 | 华东师范大学 | TCAD | 2021 | [[PUB](https://ieeexplore.ieee.org/document/9302596)] | | HADFL：异质性感知的分散联邦学习框架 | 中国科学技术大学 | DAC | 2021 | [[PDF](https://arxiv.org/abs/2111.08274)] [[PUB](https://ieeexplore.ieee.org/document/9586101)] | | Helios：动态平衡协作的异质性感知联邦学习 | 乔治梅森大学 | DAC | 2021 | [[PDF](https://arxiv.org/abs/1912.01684)] [[PUB](https://ieeexplore.ieee.org/document/9586241)] | | FedLight：用于自动多个交叉路口交通信号控制的联邦强化学习 | 华东师范大学 | DAC | 2021 | [[PUB](https://ieeexplore.ieee.org/document/9586175)] | | Oort：通过引导参与者选择实现高效联邦学习 | 密歇根大学 | OSDI | 2021 | [[PUB](https://www.usenix.org/conference/osdi21/presentation/lai)] [[PDF](https://arxiv.org/abs/2010.06081)] [[CODE](https://github.com/SymbioticLab/Oort)] [[SLIDES](https://www.usenix.org/system/files/osdi21_slides_lai.pdf)] [[VIDEO](https://www.youtube.com/watch?v=5npOel4T4Mw)] | | 在计算和统计异质性下高效调度联邦移动设备 | 老道明大学 | TPDS | 2021 | [[PUB](https://ieeexplore.ieee.org/document/9195793)] [[PDF](https://arxiv.org/abs/2005.12326)] | | 在移动系统中具有全局不平衡数据的自平衡联邦学习 | 重庆大学 | TPDS | 2021 | [[PUB](https://ieeexplore.ieee.org/document/9141436)] [[CODE](https://github.com/mtang724/Self-Balancing-Federated-Learning)] | | 一种提高效率的客户端选择方案用于具有公平性保证的联邦学习 | 华南理工大学 | TPDS | 2021 | [[PUB](https://ieeexplore.ieee.org/document/9272649/)] [[PDF](https://arxiv.org/abs/2011.01783)] [[解读](https://zhuanlan.zhihu.com/p/456101770)] | | 联邦学习证明：一种新颖的能量回收共识算法 | 北京师范大学 | TPDS | 2021 | [[PUB](https://ieeexplore.ieee.org/document/9347812)] [[PDF](https://arxiv.org/abs/1912.11745)] | | Biscotti：用于私密和安全联邦学习的区块链系统 | 英属哥伦比亚大学 | TPDS | 2021 | [[PUB](https://ieeexplore.ieee.org/document/9292450)] | | 基于互信息驱动的联邦学习 | 迪肯大学 | TPDS | 2021 | [[PUB](https://ieeexplore.ieee.org/document/9272656)] | | 在移动边缘计算系统中加速基于可靠性不可知客户端的联邦学习 | 华威大学 | TPDS | 2021 | [[PUB](https://ieeexplore.ieee.org/document/9272671)] [[PDF](https://arxiv.org/abs/2007.14374)] | | FedSCR：基于结构的联邦学习通信减少 | 香港大学 | TPDS | 2021 | [[PUB](https://ieeexplore.ieee.org/document/9303442)] | | FedScale：联邦学习模型和系统性能的基准测试 :fire: | 密歇根大学 | SOSP workshop / ICML 2022 | 2021 | [[PUB](https://proceedings.mlr.press/v162/lai22a.html)] [[PDF](https://arxiv.org/abs/2105.11367)] [[CODE](https://github.com/SymbioticLab/FedScale)] [[解读](https://zhuanlan.zhihu.com/p/520020117)] | | 拜占庭容错联邦学习中的成本函数冗余 | | SOSP workshop | 2021 | [[PUB](https://dl.acm.org/doi/10.1145/3477114.3488761)] | | 面向差分隐私跨设备联邦学习的高效系统 | | SOSP workshop | 2021 | [[PUB](https://dl.acm.org/doi/10.1145/3477114.3488762)] | | GradSec：一种基于TEE的联邦学习推理攻击防护方案 | | SOSP workshop | 2021 | [[PUB](https://dl.acm.org/doi/10.1145/3477114.3488763)] | | 面向弹性EI的社区结构分散学习 | | SOSP workshop | 2021 | [[PUB](https://dl.acm.org/doi/10.1145/3477114.3488764)] | | 联邦学习中的分权 (海报论文) | IBM研究院 | SOSP workshop | 2021 | [[PUB](https://dl.acm.org/doi/10.1145/3477114.3488765)] [[PDF](https://arxiv.org/abs/2105.09400)] | | 向联邦无监督表示学习迈进 | | EuroSys workshop | 2020 | [[PUB](https://dl.acm.org/doi/10.1145/3378679.3394530)] | | CoLearn：在符合MUD的物联网边缘网络中实现联邦学习 | | EuroSys workshop | 2020 | [[PUB](https://dl.acm.org/doi/10.1145/3378679.3394528)] | | LDP-Fed：具有局部差分隐私的联邦学习 | | EuroSys workshop | 2020 | [[PUB](https://dl.acm.org/doi/10.1145/3378679.3394533)] | | 通过动量梯度下降加速联邦学习 | 中国科学技术大学 | TPDS | 2020 | [[PUB](https://ieeexplore.ieee.org/document/9003425)] [[PDF](https://arxiv.org/abs/1910.03197)] | | 面向公平和隐私保护的联邦深度模型 | 新加坡国立大学 | TPDS | 2020 | [[PUB](https://ieeexplore.ieee.org/document/9098045)] [[PDF](https://arxiv.org/abs/1906.01167)] [[CODE](https://github.com/lingjuanlv/FPPDL)] | | 异构网络中的联邦优化 :fire: | 卡内基梅隆大学 | MLSys | 2020 | [[PUB](https://proceedings.mlsys.org/paper_files/paper/2020/hash/1f5fe83998a09396ebe6477d9475ba0c-Abstract.html)] [[PDF](https://arxiv.org/abs/1812.06127)] [[CODE](https://github.com/litian96/FedProx)] | | 面向大规模联邦学习的系统设计 | 谷歌 | MLSys | 2019 | [[PUB](https://proceedings.mlsys.org/paper_files/paper/2019/hash/7b770da633baf74895be22a8807f1a8f-Abstract.html)] [[PDF](https://arxiv.org/abs/1902.01046)] [[解读](https://zhuanlan.zhihu.com/p/450993635)] |

顶级会议和期刊中的联邦学习（其他领域）

被其他领域的顶级会议和期刊接受的联邦学习论文，包括ICSE（国际软件工程会议），FOCS（IEEE计算机科学基础年会），STOC（计算理论研讨会）。

顶级会议和期刊中的联邦学习（其他领域）
标题所属单位场地年份资料
F-CodeLLM: 一个适应大型语言模型实际软件开发的联邦学习框架中山大学ICSE Companion2024PUB
联邦学习中用于容错和自我恢复的Raft协议SINTEF DigitalSEAMS@ICSE2024PUB
FedDebug: 用于联邦学习应用的系统化调试弗吉尼亚理工ICSE2023pub pdf code
FedSlice: 通过模型切片保护联邦学习模型免受恶意参与者的侵害北京大学ICSE2023pub code
用于工业自动化系统联邦学习的自适应架构SEAMS@ICSE workshop2021pub
将联邦机器学习视为自适应问题SEAMS@ICSE workshop2021pub

图数据和图神经网络中的联邦学习

dblp

该部分部分参考了DBLP 搜索引擎和资源库Awesome-Federated-Learning-on-Graph-and-GNN-papers 和Awesome-Federated-Machine-Learning。

图数据和图神经网络中的联邦学习
标题所属单位出版场所年份资料
FedGCN: 联邦训练图卷积网络中的收敛性和通信折衷CMUNeurIPS :mortar_board:2023[PDF] [CODE]
Wyze Rule: 联邦规则数据集用于规则推荐基准测试CMUNeurIPS Dataset Track :mortar_board:2023[PDF] [DATASET] [CODE]
联邦可视化：一种用于聚合视觉查询的隐私保护策略ZJUIEEE Trans. Vis. Comput. Graph. :mortar_board:2023[PUB] [PDF]
定制子图联邦学习KAISTICML :mortar_board:2023[PDF]
用于推荐的半去中心集中式联邦自我图学习SUSTWWW:mortar_board:2023[PUB] [PDF]
用于控制器局域网快速异常检测的联邦图神经网络ECUSTIEEE Trans. Inf. Forensics Secur. :mortar_board:2023[PUB]
耦合图上的联邦学习XJTUIEEE Trans. Parallel Distributed Syst. :mortar_board:2023[PUB] [PDF]
HetVis: 水平联邦学习数据异质性识别的可视化分析方法南开大学IEEE Trans. Vis. Comput. Graph. :mortar_board:2023[PUB] [PDF]
通过结构知识共享非独立同分布图上的联邦学习UTSAAAI :mortar_board:2023[PDF] [CODE]
FedGS: 客户端可用性任意的联邦图基采样XMUAAAI :mortar_board:2023[PDF] [CODE]
异质子图联邦学习的信息理论视角PKUDASFAA2023[PUB]
GraphCS: 联邦学习中的异质性图基客户端选择NUDTJ. Parallel Distributed Comput.2023[PUB]
面向设备端联邦学习：基于有向无环图块链的方法BUPTIEEE Trans. Neural Networks Learn. Syst.2023[PUB] [PDF]
基于图卷积网络和联邦学习的短期交通流预测ZUELIEEE Trans. Intell. Transp. Syst.2023[PUB]
用于心理健康检测的基于超图注意力的联邦学习方法HVLIEEE J. Biomed. Health Informatics2023[PUB]
基于联邦学习的跨企业推荐系统IEEE Trans. Ind. Informatics2023[PUB]
Graph-Fraudster: 基于图神经网络的纵向联邦学习中的对抗性攻击ZJUTIEEE Trans. Comput. Soc. Syst.2023[PUB] [PDF] [CODE]
ESA-FedGNN: 高效安全聚合联邦图神经网络Peer Peer Netw. Appl.2023[PUB]
FedCKE: 联邦学习中的跨域知识图谱嵌入SWJTUIEEE Trans. Big Data2023[PUB]
用于边缘计算中基于有向无环图块链的异步联邦学习：概述、设计与挑战Expert Syst. Appl.2023[PUB]
FedGR: 用于推荐系统的联邦图神经网络CUPTAxioms2023[PUB]
S-Glint: 通过流量控制和流量调度实现的安全联邦图学习IEEE Trans. Green Commun. Netw.2023[PUB]
FedAGCN: 基于联邦学习和异步图卷积网络的交通流预测框架Appl. Soft Comput.2023[PUB]
GDFed: 使用图神经网络的异构设备动态联邦学习KHUICOIN2023[PUB] [CODE]
使用冲突集群图在雾计算辅助物联网网络中的协调调度和分散联邦学习UBCIEEE Trans. Veh. Technol.2023[PUB]
FedRule: 基于图神经网络的联邦规则推荐系统CMUIoTDI2023[PUB] [PDF] [CODE]
FedWalk: 差分隐私下的高效通信联邦无监督节点嵌入SJTUKDD :mortar_board:2022[PUB] [PDF]
FederatedScope-GNN: 联邦图学习的统一、综合且高效的平台 :fire:阿里巴巴KDD (最佳论文奖) :mortar_board:2022[PDF] [CODE] [PUB]
通过图匹配进行深度神经网络融合及其在模型集成和联邦学习中的应用SJTUICML :mortar_board:2022[PUB] [CODE]
基于元学习的知识图谱联邦设置下的知识外插 kg.ZJUIJCAI :mortar_board:2022[PUB] [PDF] [CODE]
通过图实现个性化联邦学习UTSIJCAI :mortar_board:2022[PUB] [PDF] [CODE]
用于隐私保护的节点分类的纵向联邦图神经网络ZJUIJCAI :mortar_board:2022[PUB] [PDF]
SpreadGNN: 用于分子数据的图神经网络去中心集中式多任务联邦学习USCAAAI:mortar_board:2022[PUB] [PDF] [CODE] [解读]
FedGraph: 智能采样的联邦图学习UoATPDS :mortar_board:2022[PUB] [CODE] [解读]
联邦图机器学习：概念、技术与应用综述 surv.弗吉尼亚大学SIGKDD Explor.2022[PUB] [PDF]
语义向量化：基于文本和图的模型IBM 研究院联邦学习2022[PUB]
GraphFL: 半监督图节点分类的联邦学习框架IITICDM2022[PUB] [PDF] [解读]
多多益善（大部分情况下）：联邦图神经网络中的后门攻击TU DelftACSAC2022[PUB] [PDF]
FedNI: 基于网络修补的联邦学习用于群体疾病预测UESTCTMI2022[PUB] [PDF]
SemiGraphFL: 用于图分类的半监督图联邦学习PKUPPSN2022[PUB]
基于图卷积网络的联邦时空交通流预测TJUWCSP2022[PUB]
基于联盟图神经网络的隐私保护个性化框架THUNature Communications2022[PUB] [CODE] [解读]
基于联盟图深度学习的数字货币恶意交易识别BITINFOCOM Workshops2022[PUB]
基于隐私保护关系嵌入聚合的高效知识图谱联盟学习 kg.Lehigh UniversityEMNLP2022[PUB] [PDF] [CODE]
基于图神经网络的无线联盟学习中的功率分配Rice UniversityICASSP2022[PUB] [PDF] [CODE]
基于图正则化启发的一次线性混合方法的隐私保护联盟多任务线性回归UCICASSP2022[PUB] [PDF] [CODE]
带有可共享辅助信息的图正则化联盟学习NWPUKnowl. Based Syst.2022[PUB]
基于嵌入对比学习的联盟知识图谱补全 kg.ZJUKnowl. Based Syst.2022[PUB]
基于周期性邻居采样的联盟图学习HKUIWQoS2022[PUB]
FedGSL: 本地子图增强的联盟图结构学习Big Data2022[PUB]
基于多关系图神经网络的领域感知联盟社会机器人检测UCAS; CASIJCNN2022[PUB]
用于链接预测的联盟多服务器知识图谱嵌入框架ICTAI2022[PUB]
采用差分隐私的隐私保护子图级联盟图神经网络平安科技KSEM2022[PUB] [PDF]
聚类图联盟个性化学习NTNUIEEECONF2022[PUB]
使用医疗数据集调查联盟图神经网络的预测可重复性MICCAI Workshop2022[PDF] [CODE]
在任意图上进行点对点变分联盟学习UCSDInt. J. Bio Inspired Comput.2022[PUB]
联盟多任务图学习ZJUACM Trans. Intell. Syst. Technol.2022[PUB]
基于图的通信高效的交通预测联盟学习SUSTechWCNC2022[PUB]
用于时空预测的联盟元学习NEUNeural Comput. Appl.2022[PUB] [CODE]
BiG-Fed: 双层优化增强的图辅助联盟学习NTUIEEE Transactions on Big Data2022[PUB] [PDF]
利用生成树检测联盟学习中的串谋攻击者密苏里科技大学INFCOM Workshops2022[PUB]
在异构环境中使用图神经网络对分子性质进行联盟学习罗切斯特大学Patterns2022[PUB] [PDF] [CODE]
用于智能家居应用中CIoT设备的图联盟学习多伦多大学IEEE Internet Things J.2022[PUB] [PDF] [CODE]
基于多级联盟图学习和自我注意的个性化Wi-Fi室内指纹定位中山大学IEEE Commun. Lett.2022[PUB]
基于图的通信高效的集成联盟学习UCEUSIPCO2022[PUB] [PDF]
用于流数据的去中心化联盟多任务学习NTNUCISS2022[PUB]
基于联盟迁移学习的隐私保护神经图协同过滤Electron. Libr.2022[PUB]
基于动态神经图的半监督多任务联盟Reptile在医疗应用中的应用牛津大学JBHI2022[PUB]
联盟学习的图卷积网络用于非欧几里得空间数据南京信息工程大学Mathematics2022[PUB]
带有安全聚合的视频分布式监控的联盟动态图神经网络NDACM Trans. Intell. Syst. Technol.2022[PUB] [PDF] [解读]
异构联盟学习中的设备采样：理论、算法和实现普渡大学INFOCOM :mortar_board:2021[PUB] [PDF]
非独立同分布图上的联盟图分类埃默里大学NeurIPS :mortar_board:2021[PUB] [PDF] [CODE] [解读]
通过缺失邻居生成的子图联盟学习埃默里大学; UBC; Lehigh UniversityNeurIPS :mortar_board:2021[PUB] [PDF]
用于时空数据建模的跨节点联盟图神经网络南加州大学KDD :mortar_board:2021[PUB] [PDF] [CODE] [解读]
差分隐私保护联盟知识图谱嵌入 kg.BUAACIKM2021[PUB] [PDF] [CODE] [解读]
去中心化联盟图神经网络Blue Elephant TechIJCAI Workshop2021[PDF]
FedSGC：用于节点分类的联盟简单图卷积香港科技大学IJCAI Workshop2021[PDF]
FL-DISCO：基于联盟生成对抗网络的图形药物发现：特别会议论文新墨西哥大学ICCAD2021[PUB]
FASTGNN：用于交通速度预测的拓扑信息保护联盟学习方法悉尼科技大学IEEE Trans. Ind. Informatics2021[PUB]
DAG-FL：基于有向无环图的区块链赋能设备联盟学习北京邮电大学; 电子科技大学ICC2021[PUB] [PDF]
联盟环境中的知识图谱嵌入 kg.ZJUIJCKG2021[PUB] [PDF] [CODE]
异构数据的联盟知识图谱嵌入 kg.TJUCCKS2021[PUB]
带有隐私保护学习的图联盟架构EPFLSPAWC2021[PUB] [PDF] [解读]
基于图神经网络的联合社会推荐UICACM TIST2021[PUB] [PDF] [CODE]
FedGraphNN: 一个用于图神经网络的联合学习系统和基准 :fire: surv.USCICLR Workshop / MLSys Workshop2021[PDF] [CODE] [解读]
用于连接性脑模板学习的联合多图集成方法伊斯坦布尔理工大学MICCAI Workshop2021[PUB] [CODE]
基于聚类驱动的跨域图联合学习都灵理工大学CVPR Workshop2021[PDF] [解读]
FedGNN: 面向隐私保护推荐的联合图神经网络THUICML workshop2021[PDF] [解读]
非独立同分布数据上的去中心化联合深度神经网络学习RISE; 查尔默斯理工大学ICML workshop2021[PDF] [CODE]
Glint: 带有流量控制与调度的去中心化联合图学习会津大学IWQoS2021[PUB]
用于跨图节点分类的联合图神经网络北京邮电大学CCIS2021[PUB]
GraFeHTy: 利用联合学习进行人类活动识别的图神经网络爱立信数字服务高级数据科学家ICMLA2021[PUB]
图卷积网络的分布式训练罗马第一大学TSIPN2021[PUB] [PDF] [解读]
电子健康记录上的去中心化联合学习UMNNeurIPS Workshop / CISS2020[PUB] [PDF] [解读]
ASFGNN: 自动分离-联合图神经网络蚂蚁集团PPNA2020[PUB] [PDF] [解读]
基于无线D2D网络的去中心化联合学习SZUSPAWC2020[PUB] [PDF]
SGNN: 通过隐藏结构的图神经网络联合学习方法山东大学BigData2019[PUB] [PDF]
面向协同金融犯罪检测的联合图学习IBMNeurIPS Workshop2019[PDF]
基于联邦电子健康记录的预测模型联合学习 :star:BUInternational Journal of Medical Informatics2018[PUB]
FedHGN: 异质图神经网络联合学习框架preprint2023[PDF] [CODE]
面向联合推荐的图引导个性化preprint2023[PDF]
GraphGANFed: 一个面向高效药物发现的图结构分子联合生成框架preprint2023[PDF]
GLASU: 一种通信高效的垂直分布图数据联合学习算法preprint2023[PDF]
面向推荐系统的垂直联合图神经网络preprint2023[PDF] [CODE]
Lumos: 面向去中心化设备的异质联合图学习preprint2023[PDF]
使用物理传感器数据的物联网通信安全 - 带有联合多智能体深度强化学习的图层安全preprint2023[PDF]
异质联合知识图谱嵌入学习与反学习preprint2023[PDF]
联合学习中的上行调度：通过图表示学习的基于重要性的方法preprint2023[PDF]
联合图学习中的隐藏表示共享UCLApreprint2022[PDF]
M3FGM：基于节点屏蔽和多粒度消息传递的时空数据联合图模型西电preprint2022[PDF]
带有共享嵌入的联合图网络北京建筑大学preprint2022[PDF]
隐私保护的时间变通信图上的去中心化联合学习兰卡斯特大学preprint2022[PDF]
异质联合学习在图上的应用preprint2022[PDF]
FedEgo: 基于Ego-graphs的隐私保护个性化联合图学习中山大学preprint2022[PDF] [CODE]
联合图对比学习悉尼科技大学preprint2022[PDF]
FD-GATDR：基于EHR的医生推荐的联合去中心化学习图注意网络preprint2022[PDF]
隐私保护的图分析：安全生成和联合学习preprint2022[PDF]
联合图注意网络用于谣言检测preprint2022[PDF] [CODE]
FedRel：一种用于时空图学习的自适应联合相关框架preprint2022[PDF]
私有化联合图学习preprint2022[PDF]
联合图神经网络：概述、技术和挑战 surv.preprint2022[PDF]
带有异质通信阈值的去中心化事件触发联合学习preprint2022[PDF]
使用图超网络的异质架构联合学习preprint2022[PDF]
STFL: 基于图神经网络的时间-空间联合学习框架preprint2021[PDF] [CODE]
PPSGCN：基于隐私保护子图采样的分布式图卷积网络训练方法preprint2021[PDF]
利用知识图联合改进数字图书馆的分面搜索 kg.preprint2021[PDF]
通过一次性通信进行联合近视社区检测preprint2021[PDF]
联合图学习 —— 一篇立场论文 surv.preprint2021[PDF]
面向图卷积网络的垂直联合学习框架preprint2021[PDF]
FedGL：带有全局自监督的联合图学习框架preprint2021[PDF]
FL-AGCNS: 自动化图卷积网络搜索联合学习框架preprint2021[PDF]
带有拉普拉斯正则化的联合多任务学习的新视角与收敛速率preprint2021[PDF] [CODE]
通过基准对齐和权重惩罚改进联合关系数据建模 kg.preprint2020[PDF]
GraphFederator：多方图的联合视觉分析preprint2020[PDF]
节点分类的隐私保护图神经网络preprint2020[PDF]
图上的点对点联合学习UCpreprint2019[PDF] [解读]

私有图神经网络（待办）

  • [Arxiv 2021] 隐私保护的图卷积网络用于文本分类。[PDF]
  • [Arxiv 2021] GraphMI: 从图神经网络中提取私有图数据。[PDF]
  • [Arxiv 2021] 通过分割学习实现代表相同的隐私保护图神经网络。[PDF]
  • [Arxiv 2020] 局部隐私的图神经网络。[PDF]
私有图神经网络（待办）

表格数据上的联邦学习

dblp

本节提到DBLP搜索引擎。

表格数据上的联邦学习
标题单位会议期刊年份资料
SGBoost: 一种高效且隐私保护的纵向联合树提升框架西安电子科技大学IEEE Trans. Inf. Forensics Secur.2023[PUB] [CODE]
激励增强的联合众包山东大学AAAI2023[PDF]
通过随机森林解释联邦学习中的预测和攻击罗维拉·维尔吉利大学Appl. Intell.2023[PUB] [CODE]
在工业物联网中通过稀疏响应提高差分隐私联合学习的准确性IEEE Trans. Ind. Informatics2023[PUB]
基于树联合学习和可解释网络的驾驶员疲劳 EEG 检测Int. J. Neural Syst.2023[PUB]
FDPBoost: 联邦差分隐私梯度提升决策树J. Inf. Secur. Appl.2023[PUB]
无梯度联邦梯度提升树，具备可学习的学习率EuroMLSys2023[PUB] [PDF]
HT-Fed-GAN: 用于分散表格数据合成的联合生成模型哈尔滨工业大学Entropy2023[PUB]
基于区块链的联合学习，用于缓解联合学习中的梯度泄漏乌迪内大学IEEE Access2023[PUB]
OpBoost: 一种基于顺序保持去敏感化的纵向联合树提升框架浙江大学Proc. VLDB Endow.2022[PUB] [PDF] [CODE]
RevFRF: 实现域间随机森林训练的可撤销联合学习西安电子科技大学IEEE Trans. Dependable Secur. Comput.2022[PUB] [PDF]
用于个性化治疗效果估计的基于树的模型平均方法，从异构数据源中提取匹兹堡大学ICML2022[PUB] [PDF] [CODE]
具有差分隐私的联合提升决策树华威大学CCS2022[PUB] [PDF] [CODE]
联邦功能梯度提升宾夕法尼亚大学AISTATS2022[PUB] [PDF] [CODE]
联邦学习系统的基于树的模型IBM 研究院联邦学习2022[PUB]
使用 TabNet 的车辆案例中表格数据的联邦学习ICCP2022[PUB]
表格数据的联邦学习：探索隐私的潜在风险纽卡斯尔大学ISSRE2022[PDF]
联邦随机森林可以提高各种医疗应用预测模型的本地性能马尔堡大学Bioinform.2022[PUB] [CODE]
FLForest: 通过隔离森林实现拜占庭鲁棒的联邦学习南京航空航天大学ICPADS2022[PUB]
STBoost: 没有梯度下降的跨厂区联合学习方法都灵大学IJCNN2022[PUB] [CODE]
联合森林京东待定2022[PUB] [PDF]
联邦XGBoost中用于类别不平衡分类的滑动焦点损失斯威本科技大学ISPA/BDCloud/SocialCom/SustainCom2022[PUB]
联邦学习中的神经梯度提升用于血流动力学不稳定预测：迈向分布式和可扩展的深度学习解决方案AMIA2022[PUB]
Fed-GBM: 一种用于非侵入性负载监控的成本效益联邦梯度提升树悉尼大学e-Energy2022[PUB]
基于纵向联合随机森林的可验证隐私保护方案华南农业大学IEEE Internet Things J.2022[PUB]
基于区块链的联合森林车内网络入侵检测系统中的对抗样本检测忠南大学IEEE Access2022[PUB] [PDF]
BOFRF: 一种新颖的基于提升的联合随机森林算法，适用于水平分区数据中东技术大学IEEE Access2022[PUB]
eFL-Boost: 用于梯度提升决策树的高效联邦学习神户大学IEEE Access2022[PUB]
一种基于秘密共享和分布式优化的高效联邦XGBoost学习框架天津大学ACM Trans. Intell. Syst. Technol.2022[PUB] [PDF] [CODE]
一种可选拆分提取增益-AUPRC 平衡策略，用于解决联邦 XGBoost 中的不平衡信用卡欺诈检测斯威本科技大学Int. J. Bio Inspired Comput.2022[PUB]
基于联合学习的随机森林用于入侵检测马尔默达莱大学AIAI2022[PUB]
基于跨厂区联合学习的决策树瑞士联邦理工学院苏黎世SAC2022[PUB]
利用生成树检测联邦学习中的共谋攻击者密苏里科技大学INFCOM Workshops2022[PUB]
VF2Boost: 用于跨企业学习的高效纵向联合梯度提升北京大学SIGMOD2021[PUB]
多源提升谷歌NeurIPS2021[PUB]
SecureBoost: 一种无损的联邦学习框架宾夕法尼亚大学IEEE Intell. Syst.2021[PUB] [PDF] [SLIDE] [CODE] [解读] [UC]
基于区块链的 SDN 使能车内网络入侵检测系统的联合森林忠南大学IEEE Access2021[PUB]
基于改进的 GBDT 联邦集成方法的多源数据隐私保护研究北方工业大学Phys. Commun.2021[PUB]
Fed-EINI: 一种面向纵向联合学习中决策树集成的高效解释推理框架中国科学院大学; 中国科学院IEEE BigData2021[PUB] [PDF]
梯度提升森林：一种启用 GBDTs 联邦学习的两阶段集成方法清华大学ICONIP2021[PUB]
一种具有 k-匿名的联邦学习框架和决策树乌梅亚大学DPM/CBT @ESORICS2021[PUB]
AF-DNDF: 深度神经决策森林的异步联邦学习查尔姆斯SEAA2021[PUB]
压缩提升差分隐私联邦学习格勒诺布尔阿尔卑斯大学EuroS&P2021[PUB] [PDF]

| 实用的联邦梯度提升决策树 | 新加坡国立大学；西澳大学 | AAAI :mortar_board: | 2020 | [出版物] [PDF] [代码] | | 隐私保护的基于树模型的垂直联邦学习 | 新加坡国立大学 | VLDB :mortar_board: | 2020 | [出版物] [PDF] [视频] [代码] | | Boosting Privately: 用于移动人群感知的联邦极限梯度提升 | 西安电子科技大学 | ICDCS | 2020 | [出版物] [PDF] | | FedCluster: 通过集群循环加速联邦学习的收敛 | 犹他大学 | IEEE BigData | 2020 | [出版物] [PDF] | | 用于隐私保护数据分析的联邦XGBoost学习的新方法 | 神户大学 | ICONIP | 2020 | [出版物] | | 提升被动光网络上的联邦学习带宽切片 | 查尔姆斯理工大学 | IEEE Communications Letters | 2020 | [出版物] | | DFedForest: 去中心化联邦森林 | 里约联邦大学 | Blockchain | 2020 | [出版物] | | 通过去中心化冗余Cayley树缓解联邦学习中的拖后 | 史蒂文斯理工学院 | LATINCOM | 2020 | [出版物] | | 用于流数据的联邦软梯度提升机 | 创新工场AI研究院 | 联邦学习 | 2020 | [出版物] [解读] | | 深度神经决策森林的联邦学习 | 弗劳恩霍夫查尔姆斯中心 | LOD | 2019 | [出版物] | | Privet: 用于梯度提升决策表的隐私保护垂直联邦学习服务 | | 预印本 | 2023 | [PDF] | | V2X 提升的联邦学习用于具有上下文客户选择的协同智能交通系统 | | 预印本 | 2023 | [PDF] | | GTV: 通过垂直联邦学习生成表格数据 | | 预印本 | 2023 | [PDF] | | 联邦生存森林 | | 预印本 | 2023 | [PDF] | | Fed-TDA: 非IID数据的联邦表格数据增强 | 哈尔滨工业大学 | 预印本 | 2022 | [PDF] | | 表格联邦学习中的数据泄漏 | 苏黎世联邦理工学院 | 预印本 | 2022 | [PDF] | | 通过多样化数据源提升车载网络中去中心化联邦学习 | | 预印本 | 2022 | [PDF] | | 样本非IID数据上的联邦XGBoost | | 预印本 | 2022 | [PDF] | | Hercules: 提升隐私保护联邦学习性能 | | 预印本 | 2022 | [PDF] | | FedGBF: 通过梯度提升和装袋实现高效的垂直联邦学习框架 | | 预印本 | 2022 | [PDF] | | 基于XGBoost的公平高效分布式电力预测混合联邦学习框架 | 清华大学 | 预印本 | 2022 | [PDF] | | 高效鲁棒的垂直联邦随机森林系统 | | 预印本 | 2022 | [PDF] | | 垂直联邦XGBoost高效批次同态加密 | 北京航空航天大学 | 预印本 | 2021 | [PDF] | | 猜猜看？你可以免费提升联邦学习 | | 预印本 | 2021 | [PDF] | | SecureBoost+: 面向大规模垂直联邦学习的高性能梯度提升树框架 :火: | | 预印本 | 2021 | [PDF] [代码] | | Fed-TGAN: 表格数据合成的联邦学习框架 | | 预印本 | 2021 | [PDF] | | FedXGBoost: 用于联邦学习的隐私保护XGBoost | 慕尼黑工业大学 | 预印本 | 2021 | [PDF] | | 自适应直方图基于梯度提升树的联邦学习 | | 预印本 | 2020 | [PDF] | | FederBoost: GBDT的隐私保护联邦学习 | 浙江大学 | 预印本 | 2020 | [PDF] | | 用梯度提升进行隐私保护文本识别的联邦学习 | | 预印本 | 2020 | [PDF] [代码] | | 基于云的移动人群感知联邦提升 | | 预印本 | 2020 | [ARXIV] | | 隐私保护的联邦额外树 | | 预印本 | 2020 | [PDF] | | 在边缘计算中通过带宽切片提升联邦学习 | | 预印本 | 2019 | [PDF] | | 可撤销联邦学习：联邦森林基准 | | 预印本 | 2019 | [PDF] | | 使用联邦XGBoost在异常检测中的隐私和准确性权衡 | 香港中文大学 | 预印本 | 2019 | [PDF] [代码] | 代码(Python)/机器翻译API

框架

联邦学习框架

表格

注：SG表示支持图数据和算法，ST表示支持表格数据和算法。

联邦学习框架
平台论文隶属机构SGST资料
PySyft
Stars
A generic framework for privacy preserving deep learningOpenMined[DOC]
FATE
Stars
FATE: An Industrial Grade Platform for Collaborative Learning With Data ProtectionWeBank:white_check_mark::white_check_mark:[DOC] [DOC(ZH)]
Flower
Stars
Flower: A Friendly Federated Learning Research Frameworkflower.ai[DOC]
FedML
Stars
FedML: A Research Library and Benchmark for Federated Machine LearningFedML:white_check_mark::white_check_mark::white_check_mark:[DOC]
TFF(Tensorflow-Federated)
Stars
Towards Federated Learning at Scale: System DesignGoogle[DOC] [PAGE]
SecretFlow
Stars
Ant group:white_check_mark:[DOC]
Primihub
Stars
primihub[DOC]
FederatedScope
Stars
FederatedScope: A Flexible Federated Learning Platform for HeterogeneityAlibaba DAMO Academy:white_check_mark::white_check_mark:[DOC] [PAGE]
PFLlib
Stars
PFLlib: Personalized Federated Learning Algorithm LibrarySJTU
Fedlearner
Stars
Bytedance
LEAF
Stars
LEAF: A Benchmark for Federated SettingsCMU
Fedlab
Stars
FedLab: A Flexible Federated Learning FrameworkSMILELab[DOC] [DOC(ZH)] [PAGE]
OpenFL
Stars
OpenFL: An open-source framework for Federated LearningIntel[DOC]
Rosetta
Stars
matrixelements[DOC] [PAGE]
NVFlare
Stars
NVIDIA FLARE: 从模拟到现实世界的联邦学习NVIDIA[DOC]
Privacy Meter
Stars
深度学习的综合隐私分析：针对中心化和联邦学习的被动和主动白盒推理攻击马萨诸塞大学阿姆赫斯特分校
NIID-Bench
Stars
在非独立同分布数据孤子上的联邦学习：一项实验研究Xtra Computing Group
PaddleFL
Stars
百度[DOC]
IBM Federated Learning
Stars
IBM 联邦学习：企业框架白皮书IBM:white_check_mark:[PAPERS]
FLGo
Stars
公平平均的联邦学习
FLGo：一个完全可定制的联邦学习平台		厦门大学
KubeFATE
Stars
微众银行[WIKI]
FedScale
Stars
FedScale：大规模联邦学习的模型和系统性能基准SymbioticLab(密歇根大学)
Differentially Private Federated Learning: A Client-level Perspective
Stars
差分隐私的联邦学习：客户端视角SAP-samples
PersonalizedFL
Stars
img		微软
plato
Stars
Plato：一个用于生产联邦学习的开源研究框架多伦多大学
Backdoors 101
Stars
深度学习模型中的盲后门康奈尔科技
SWARM LEARNING
Stars
用于去中心化和机密临床机器学习的蜂群学习[VIDEO]
EasyFL
Stars
EasyFL：一个为初学者设计的低代码联邦学习平台南洋理工大学
substra
Stars
Substra[DOC]
FedJAX
Stars
FEDJAX：基于JAX的联邦学习模拟Google
Breaching
Stars
一个攻击隐私的联合学习框架 (论文)
FLSim
Stars
facebook research
Galaxy Federated Learning
Stars
GFL: 基于区块链的去中心化联合学习框架浙江大学[文档]
FedNLP
Stars
FedNLP: 一个自然语言处理任务的联合学习方法基准FedML
PyVertical
Stars
PyVertical: 一个多头SplitNN的垂直联合学习框架OpenMined
Xaynet
Stars
XayNet[页面] [文档] [白皮书] [法律审查]
SyferText
Stars
OpenMined
FLSim
Stars
用强化学习优化非独立同分布数据的联合学习多伦多大学
FLUTE
Stars
FLUTE: 一个可扩展、可扩充的高性能联合学习模拟框架微软[文档]
FedGraphNN
Stars
FedGraphNN: 一个图神经网络的联合学习系统和基准FedML:white_check_mark::white_check_mark:
FedTorch
Stars
分布鲁斯特的联合平均宾夕法尼亚州立大学
PhotoLabeller
Stars
[博客]
FedTree
Stars
FedTree: 一个用于树的联合学习系统Xtra Computing Group:white_check_mark::white_check_mark:[文档]
FEDn
Stars
用FEDn进行可扩展的联合机器学习scaleoutsystems[文档]
FATE-Serving
Stars
微众银行[文档]
PriMIA
Stars
端到端隐私保护的多机构医学成像深度学习慕尼黑工业大学；伦敦帝国理工学院；OpenMined[DOC]
9nfl
Stars
京东
FedLearn
Stars
Fedlearn-Algo：一个灵活的开源隐私保护机器学习平台京东
FeTS
Stars
联邦肿瘤分割工具（FeTS）：一个开源的实体肿瘤研究解决方案联邦肿瘤分割（FeTS）计划[DOC]
APPFL
Stars
APPFL：隐私保护联邦学习的开源软件框架[DOC]
FedCV
Stars
FedCV：一个用于多样化计算机视觉任务的联邦学习框架FedML
MPLC
Stars
LabeliaLabs[PAGE]
Flame
Stars
Flame：简化联邦学习中的拓扑扩展思科[DOC]
FlexCFL
Stars
用于客户级数据分布变化的灵活聚类联邦学习重庆大学
FedGroup
Stars
FedGroup：通过分解的数据驱动度量实现高效的聚类联邦学习重庆大学
FedEval
Stars
FedEval：一个用于联邦学习的综合评估模型基准系统香港大学[DOC]
UCADI
Stars
通过隐私保护的人工智能协作推进新冠肺炎诊断华中科技大学
OpenFed
Stars
OpenFed：一个全面而多功能的开源联邦学习框架[DOC]
FedSim
Stars
GOLF
Stars
中山大学[DOC]
联邦学习源代码
Stars
一种实用的少数利益相关者联邦学习框架苏黎世联邦理工学院[DOC]

| Clara | | NVIDIA | | | | | OpenHealth
Stars
| | 浙江大学 | | | |

基准测试

  • UniFed 排行榜

这里有一个非常棒的联邦学习开源框架基准测试 :+1: UniFed 排行榜，它从功能性、可用性和系统性能的角度，展示了现有流行开源联邦学习框架的定性和定量评估结果。

工作流设计

UniFed 框架基准测试

更多结果请参阅 框架功能支持

数据集

联邦学习图数据集

表格数据集

联邦学习数据集

调查

本部分部分引用自仓库 Federated-Learning 和 FederatedAI research，调查顺序根据首次提交时间的逆序排列（最新的放在最上面）

  • [Ad Hoc Networks 2024] 隐私计算遇上元宇宙：必要性、分类法和挑战 PUB PDF CODE
  • [SIGKDD Explor. 2022] 联邦图机器学习：概念、技术和应用调查 PUB PDF
  • [ACM Trans. Interact. Intell. Syst.] 迈向负责任的人工智能：用户隐私保护计算的联邦学习概述 PUB
  • [ICML Workshop 2020] SECure：AI系统的社会和环境证书 PDF
  • [IEEE Commun. Mag. 2020] 从联邦学习到雾学习：大规模异构无线网络中的分布式机器学习 PDF [PUB]
  • [China Communications 2020] 6G通信中的联邦学习：挑战、方法和未来方向 PDF PUB
  • [联邦学习系统] 私人物联网分析的隐私保护联邦学习综述 PDF [PUB]
  • [WorldS4 2020] 联邦学习个性化技术综述 PDF PUB
  • 迈向在联邦学习中利用未标记数据：调查和前景 PDF
  • [IEEE Internet Things J. 2022] 资源受限物联网设备联邦学习综述 PDF PUB
  • [IEEE 通信调查与教程 2020] 边缘AI中的高效通信：算法和系统 PDF PUB
  • [IEEE 通信调查与教程 2020] 移动边缘网络中的联邦学习：全面调查 PDF PUB
  • [IEEE 信号处理杂志 2020] 联邦学习：挑战、方法和未来方向 PDF [PUB]
  • [IEEE Commun. Mag. 2020] 无线通信中的联邦学习：动机、机会和挑战 PDF PUB
  • [IEEE TKDE 2021] 联邦学习系统综述：数据隐私和保护的愿景、炒作与现实 PDF PUB
  • [IJCAI Workshop 2020] 联邦学习面临的威胁：调查 PDF
  • [机器学习趋势与基础 2021] 联邦学习的进展和开放问题 PDF PUB
  • 基于隐私保护区块链的联邦学习与差分数据共享 PDF
  • 通信高效边缘机器学习简介 PDF
  • [IEEE 通信调查与教程 2020] 边缘计算与深度学习的融合：全面调查 PDF PUB
  • [IEEE TIST 2019] 联邦机器学习：概念与应用 PDF [PUB]
  • [健康信息学研究杂志 2021] 医疗信息学中的联邦学习 PDF PUB
  • 联盟操作中的联邦学习 PDF
  • 不偷窥：私人分布式深度学习综述 PDF

教程和课程

教程

课程

秘密共享

主要会议/研讨会/期刊

本部分部分引用自 联邦学习门户。

研讨会

  • [FL@FM-IJCAI'24]，基础模型时代的联邦学习国际研讨会，与2024年IJCAI联合举行，韩国济州岛
  • [FL@FM-ICME'24]，多媒体基础模型和联邦学习国际研讨会，加拿大尼亚加拉瀑布城
  • [FL@FM-TheWebConf'24]，2024年网络基础模型联邦学习国际研讨会，新加坡
  • [FL@FM-Singapore'24]，基础模型时代的联邦学习夏季学校@ 2024年新加坡
  • [TTIC 芝加哥夏季研讨会] 联邦学习新前沿（最新理论进展与实践），美国芝加哥TTIC
  • [联邦和协作学习] Calvin Lab礼堂
  • [FL@FM-NeurIPS'23]，基础模型时代的联邦学习国际研讨会，与2023年NeurIPS联合举行（FL@FM-NeurIPS’23），美国路易斯安那州新奥尔良
  • [第2届MBZUAI研讨会] 第2届MBZUAI协作学习研讨会：赋能可持续未来，阿联酋阿布扎比
  • [FL-CVPR'23]，第2届计算机视觉联邦学习研讨会
  • [FL@FM-AJCAI'23]，澳大利亚联邦学习研讨会：在AJCAI 2023年上结合基础模型，澳大利亚布里斯班
  • [FL-IJCAI'23]，2023年IJCAI可信联邦学习国际研讨会（FL-IJCAI'23），中国澳门
  • [FL-KDD'23]，分布式数据挖掘联邦学习国际研讨会，与第29届ACM SIGKDD会议（KDD 2023）联合举行，美国加利福尼亚州长滩
  • [FL-ICML'23]，实践中的联邦学习和分析：算法、系统、应用和机遇研讨会
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号