联邦学习资源

论文
- 顶级期刊中的联邦学习
- 按类别排序的顶级会议和期刊中的联邦学习
  - 人工智能机器学习数据挖掘安全计算机视觉自然语言处理信息检索数据库网络系统其他
- 图数据和图神经网络上的联邦学习
- 表格数据上的联邦学习
框架
数据集
调研
教程和课程
关键会议/研讨会/期刊
- 研讨会特刊特别议题
更新日志
致谢
引用

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)

<details open> <summary> 事件 </summary> | 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) | - | - | </details>

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。

<details open> <summary>顶级期刊中的联邦学习</summary>

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	KAUST	Science Advances	2024	[论文] [代码]
联邦学习不是数据伦理的万灵药	TUM; UvA	Nat. 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：DigiONE	IQVIA Cancer Research BV	Nat. 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	PNAS	2023	[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MedPerf	IHU 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	Owkin	Nat. 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 Face	Nat. 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	TUM	Nat. 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 Biosciences	Nat. 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；OpenMined	Nat. 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；OpenMined	Nat. 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；OpenMined	Nat. Mach. Intell.(Perspective)	2020	[论文]

</details>

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）。

<details open> <summary>顶级AI会议和期刊中的fl</summary>  | 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)] |

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

</details>

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)。

NeurIPS 2023 (OpenReview)，2022 (OpenReview)，2021 (OpenReview)，2020，2018，2017
ICML 2023，2022，2021，2020，2019
ICLR 2024，2023，2022，2021，2020
COLT 2023
UAI 2023，2022，2021
Machine Learning 2024，2023，2022
JMLR 2023 (v24)，2021 (v22)
TPAMI 2024，2023，2022

<details open> <summary>联邦学习顶级机器学习会议和期刊</summary>

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	TPAMI	2024	[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	TPAMI	2024	[文章]
理解并缓解联邦学习中的维度崩塌	新加坡国立大学	TPAMI	2024	[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	TPAMI	2024	[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	TPAMI	2024	[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	TPAMI	2024	[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	TPAMI	2024	[文章] [PDF] [代码]
联邦学习的单次经验隐私估计	谷歌	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[文章] [PDF] [代码]
从互信息的角度看联邦对比学习	高通	ICLR	2024	[文章]
联邦领域泛化算法的基准测试	普渡大学	ICLR	2024	[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	ICLR	2024	[文章] [PDF]
具有附加个性化的联邦推荐	悉尼科技大学	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[文章] [补充资料] [PDF]
异构联邦持续学习的准确遗忘	清华大学	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[文章] [补充资料] [PDF]
激励诚实通信的联邦赌博	弗吉尼亚大学	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[文章] [PDF]
改进隐私保护联邦学习中的 LoRA	东北大学	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[文章]
层次线性模式连接	鲁尔大学波鸿校区	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[文章] [PDF]
自适应联邦学习与自动调整的客户端	莱斯大学	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[文章] [PDF]
联邦瓦瑟斯坦距离	麻省理工学院	ICLR	2024	[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	ICLR	2024	[文章]
FedCDA: 联邦学习中的跨轮次发散感知聚合	南洋理工大学	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[PUB] [PDF]
高效通信的联邦非线性赌博优化	耶鲁大学	ICLR	2024	[PUB] [PDF]
垂直联邦学习的公平且高效的贡献估值	华为	ICLR	2024	[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	ICLR	2024	[PUB] [PDF]
为异质联邦客户端学习个性化因果不变表示	理大	ICLR	2024	[PUB]
PeFLL: 通过学习来学习的个性化联邦学习	科技研究所	ICLR	2024	[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	ICLR	2024	[PUB] [SUPP] [PDF]
FedInverse: 评估联邦学习中的隐私泄露	南昆士兰大学	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[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AIP	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[PUB] [PDF]
消除梯度反转攻击中硬标签约束	中国科学院	ICLR	2024	[PUB] [SUPP] [PDF] [CODE]
局部复合鞍点优化	普渡大学	ICLR	2024	[PUB] [PDF]
通过相关动力学模型增强神经训练	台北工业学院	ICLR	2024	[PUB] [PDF]
EControl: 具有压缩和错误控制的快速分布式优化	萨尔大学	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[PUB]
VFLAIR: 垂直联邦学习的研究图书馆和基准	清华大学	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[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	ICLR	2024	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[PUB] [SUPP] [PDF]
联邦赌博中的激励通信	弗吉尼亚大学	NeurIPS	2023	[PUB] [PDF]
目标平均处理效果的多重鲁棒联邦估计	东北大学	NeurIPS	2023	[PUB] [PDF]
IBA: 面向联邦学习中无法逆转的后门攻击	范德堡大学；VinUniversity	NeurIPS	2023	[PUB] [SUPP] [CODE]
EvoFed: 采用进化策略进行通信高效的联邦学习	KAIST	NeurIPS	2023	[PUB] [SUPP] [PDF]
具有有限对抗行动的联邦线性赌博	弗吉尼亚大学	NeurIPS	2023	[PUB] [SUPP] [PDF]
FedNAR: 使用归一化退火正则化的联邦优化	MBZUAI	NeurIPS	2023	[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	NeurIPS	2023	[PUB] [SUPP] [PDF] [CODE]
联邦零阶优化的细粒度理论分析	华中农业大学	NeurIPS	2023	[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	KAIST	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[PUB] [PDF] [CODE]
联邦条件随机优化	匹兹堡大学	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[PUB] [SUPP] [PDF] [CODE]
联邦多目标学习	罗切斯特理工学院	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[出版] [补充材料] [PDF]
联邦组合深度AUC最大化	天普大学	NeurIPS	2023	[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	NeurIPS	2023	[出版] [补充材料] [代码]
Flow: 个性化分布式学习	马萨诸塞大学	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[出版]
通过$f$-差分隐私打破通信-隐私-准确性权衡	浙江大学	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[出版] [补充材料] [PDF]
有弹性的受限学习	宾夕法尼亚大学	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[PUB] [SUPP] [PDF] [CODE]
基于内积的神经网络相似性	普渡大学	NeurIPS	2023	[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	NeurIPS	2023	[PUB] [SUPP] [PDF] [CODE]
TIES合并：解决模型合并时的干扰	北卡罗来纳大学	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[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	NeurIPS	2023	[PUB] [SUPP] [PDF]
竞争对手间的战略数据共享	索菲亚大学	NeurIPS	2023	[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	NeurIPS	2023	[PUB]
Wyze Rule: 联邦规则推荐基准规则数据集	Wyze Labs	NeurIPS 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	COLT	2023	[PUB]
FLASH: 使用CASH自动化联合学习	伦斯勒理工学院	UAI	2023	[PUB] [SUPP] [MATERIAL]
用于项目推荐的个性化联合领域适应	AWS AI实验室	UAI	2023	[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	UAI	2023	[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	UAI	2023	[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	UAI	2023	[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	UAI	2023	[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	ICML	2023	[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	ICML	2023	[PUB] [PDF]
FedHPO-Bench：联合超参数优化的基准套件	阿里巴巴集团	ICML	2023	[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	ICML	2023	[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	ICML	2023	[PUB] [PDF]
在线性草图下恢复联合中重击者	谷歌研究院	ICML	2023	[PUB] [PDF] [CODE]
双重对抗联合赌博机	伦敦政治经济学院	ICML	2023	[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	ICML	2023	[PUB] [PDF]
一次性联合保序预测	巴黎萨克雷大学	ICML	2023	[PUB] [PDF] [CODE]
联邦在线和赌博机凸优化	芝加哥丰田技术研究所	ICML	2023	[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	ICML	2023	[PUB] [PDF]
垂直联合图神经网络推荐系统	新加坡国立大学	ICML	2023	[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	ICML	2023	[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	ICML	2023	[PUB]
个性化子图联合学习	韩国先进科学技术研究院	ICML	2023	[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; CMAP	ICML	2023	[PUB] [PDF]
安全的联合相关性测试和熵估计	卡内基梅隆大学	ICML	2023	[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	ICML	2023	[PUB] [CODE]
分布混合下的个性化联合学习	加州大学洛杉矶分校	ICML	2023	[PUB] [PDF] [CODE]
FedDisco: 差异感知合作的联合学习方法	上海交通大学	ICML	2023	[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	ICML	2023	[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	ICML	2023	[PUB] [PDF]
具有非线性功能理论的快速联合机器学习	奥本大学	ICML	2023	[PUB]
循环客户端参与的联合平均收敛性	卡内基梅隆大学	ICML	2023	[PUB] [PDF]
重新审视神经网络中联合学习的加权聚合	浙江大学	ICML	2023	[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	ICML	2023	[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	ICML	2023	[PUB]
Flash: 联合学习中的概念漂移适应	马萨诸塞大学	ICML	2023	[PUB]
DoCoFL: 跨设备联合学习的下行压缩	VMware研究; 以色列理工学院	ICML	2023	[PUB] [PDF]
FeDXL: Provable Federated Learning for Deep X-Risk Optimization	德州农工大学	ICML	2023	[PUB] [PDF] [CODE]
No One Idles: Efficient Heterogeneous Federated Learning with Parallel Edge and Server Computation	哈尔滨工业大学	ICML	2023	[PUB] [CODE]
Personalized Federated Learning with Inferred Collaboration Graphs	上海交通大学	ICML	2023	[PUB] [CODE]
Optimizing the Collaboration Structure in Cross-Silo Federated Learning	伊利诺伊大学厄巴纳香槟分校	ICML	2023	[PUB] [PDF] [CODE] [SLIDES]
TabLeak: Tabular Data Leakage in Federated Learning	瑞士苏黎世联邦理工学院	ICML	2023	[PUB] [PDF] [CODE]
FedCR: Personalized Federated Learning Based on Across-Client Common Representation with Conditional Mutual Information Regularization	上海交通大学	ICML	2023	[PUB] [CODE]
Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction	杜克大学	ICML	2023	[PUB] [PDF]
Privacy-Aware Compression for Federated Learning Through Numerical Mechanism Design	Meta AI	ICML	2023	[PUB] [PDF] [CODE]
SRATTA: Sample Re-ATTribution Attack of Secure Aggregation in Federated Learning	Owkin Inc.	ICML	2023	[PUB] [PDF] [CODE]
Improving the Model Consistency of Decentralized Federated Learning	清华大学	ICML	2023	[PUB] [PDF]
Efficient Personalized Federated Learning via Sparse Model-Adaptation	阿里巴巴集团	ICML	2023	[PUB] [PDF] [CODE]
From Noisy Fixed-Point Iterations to Private ADMM for Centralized and Federated Learning	里尔大学	ICML	2023	[PUB] [PDF] [CODE]
LeadFL: Client Self-Defense against Model Poisoning in Federated Learning	达姆施塔特工业大学	ICML	2023	[PUB] [CODE]
Chameleon: Adapting to Peer Images for Planting Durable Backdoors in Federated Learning	香港科技大学	ICML	2023	[PUB] [PDF] [CODE]
FedVS: Straggler-Resilient and Privacy-Preserving Vertical Federated Learning for Split Models	香港科技大学	ICML	2023	[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	ICML	2023	[PUB] [PDF] [CODE]
Towards Unbiased Training in Federated Open-world Semi-supervised Learning	香港理工大学	ICML	2023	[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 AI	ICML	2023	[PUB] [PDF]
Surrogate Model Extension (SME): A Fast and Accurate Weight Update Attack on Federated Learning	鲁汶大学	ICML	2023	[PUB] [PDF] [CODE]
Fair yet Asymptotically Equal Collaborative Learning	新加坡国立大学	ICML	2023	[PUB] [PDF] [CODE]
Sketching for First Order Method: Efficient Algorithm for Low-Bandwidth Channel and Vulnerability	Adobe研究院	ICML	2023	[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	ICML	2023	[PUB]
XTab: Cross-table Pretraining for Tabular Transformers	洛桑联邦理工学院；康奈尔大学；AWS	ICML	2023	[PUB] [PDF] [CODE]
Momentum Ensures Convergence of SIGNSGD under Weaker Assumptions	国防科技大学	ICML	2023	[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	ICML	2023	[PUB] [PDF] [CODE]
LESS-VFL: Communication-Efficient Feature Selection for Vertical Federated Learning	伦斯勒理工学院	ICML	2023	[PUB] [PDF]
FedAvg Converges to Zero Training Loss Linearly for Overparameterized Multi-Layer Neural Networks	明尼苏达大学	ICML	2023	[PUB]
Addressing Budget Allocation and Revenue Allocation in Data Market Environments Using an Adaptive Sampling Algorithm	芝加哥大学	ICML	2023	[PUB] [PDF] [CODE]
Ensemble and continual federated learning for classification tasks.	圣地亚哥德孔波斯特拉大学	Mach Learn	2023	[PUB] [PDF]
FAC-fed: Federated adaptation for fairness and concept drift aware stream classification	汉诺威大学	Mach Learn	2023	[PUB]
Robust federated learning under statistical heterogeneity via hessian-weighted aggregation	迪肯大学	Mach Learn	2023	[PUB]
FedLab: A Flexible Federated Learning Framework :fire:	电子科技大学；鹏城实验室	JMLR	2023	[PUB] [PDF] [CODE]
Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and Personalized Federated Learning	德州农工大学	JMLR	2023	[PUB] [PDF] [CODE]
A First Look into the Carbon Footprint of Federated Learning	剑桥大学	JMLR	2023	[PUB] [PDF]
Attacks against Federated Learning Defense Systems and their Mitigation	纽卡斯尔大学	JMLR	2023	[PUB] [CODE]
A General Theory for Federated Optimization with Asynchronous and Heterogeneous Clients Updates	蓝色海岸大学	JMLR	2023	[PUB] [PDF] [CODE]
Tighter Regret Analysis and Optimization of Online Federated Learning	汉阳大学	TPAMI	2023	[PUB] [PDF]
Efficient Federated Learning Via Local Adaptive Amended Optimizer With Linear Speedup	悉尼大学	TPAMI	2023	[PDF]
Federated Learning Via Inexact ADMM.	北京交通大学	TPAMI	2023	[PUB] [PDF] [CODE]
FedIPR: 联邦深度神经网络模型的所有权验证	SJTU	TPAMI	2023	[PUB] [PDF] [CODE] [解读]
去中心化的联邦平均	NUDT	TPAMI	2023	[PUB] [PDF]
基于特征对齐和分类器协作的个性化联邦学习	THU	ICLR	2023	[PUB] [CODE]
MocoSFL: 实现跨客户端协同自监督学习	ASU	ICLR	2023	[PUB] [CODE]
联邦学习的一次性通用超参数优化	IBM	ICLR	2023	[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	Facebook	ICLR	2023	[PUB] [PDF] [CODE]
FedExP: 通过外推加速联邦平均	CMU	ICLR	2023	[PUB] [PDF] [CODE]
将联邦学习中的异质性难题转化为OOD检测的福祉	MSU	ICLR	2023	[PUB] [CODE]
DASHA: 带通信压缩和最优Oracle复杂度的分布式非凸优化	KAUST	ICLR	2023	[PUB] [PDF] [CODE]
联邦集群的机器遗忘	伊利诺伊大学	ICLR	2023	[PUB] [PDF] [CODE]
联邦神经带	NUS	ICLR	2023	[PUB] [PDF] [CODE]
FedFA: 联邦特征增强	苏黎世联邦理工学院	ICLR	2023	[PUB] [PDF] [CODE]
联邦学习即变分推断：一种可扩展的期望传播方法	CMU	ICLR	2023	[PUB] [PDF] [CODE]
更佳生成再现的连续联邦学习	弗吉尼亚大学	ICLR	2023	[PUB] [CODE]
小规模数据集的联邦学习	IKIM	ICLR	2023	[PUB] [PDF]
联邦最近邻机器翻译	中科大	ICLR	2023	[PUB] [PDF]
用于联邦学习的元知识凝缩	A*STAR	ICLR	2023	[PUB] [PDF]
联邦学习的测试时间鲁棒个性化	EPFL	ICLR	2023	[PUB] [PDF] [CODE]
DepthFL : 针对异构客户端的深度联邦学习	SNU	ICLR	2023	[PUB]
解决一次性联邦学习中的标签偏斜问题	NUS	ICLR	2023	[PUB] [CODE]
理解和减轻异构联邦学习中的维度崩塌	NUS	ICLR	2023	[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	UMD	ICLR	2023	[PUB] [CODE]
SWIFT: 通过无等待模型通信实现快速去中心化联邦学习	UMD	ICLR	2023	[PUB] [PDF] [CODE]
无可信服务器的私密联邦学习：凸损失的最优算法	USC	ICLR	2023	[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	ICLR	2023	[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	ICLR	2023	[PUB] [PDF] [CODE]
通过对比表示集成的多模态联邦学习	THU	ICLR	2023	[PUB] [PDF] [CODE]
二阶相似性下更快的联邦优化	普林斯顿大学	ICLR	2023	[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	ICLR	2023	[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	ICLR	2023	[PUB] [PDF] [CODE]
PerFedMask: 通过优化掩码向量实现个性化联邦学习	UBC	ICLR	2023	[PUB] [CODE]
EPISODE: 带周期性重采样校正的联邦学习逐段梯度裁剪	GMU	ICLR	2023	[PUB] [CODE]
FedDAR: 联邦领域感知表示学习	哈佛大学	ICLR	2023	[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	ICLR	2023	[PUB] [CODE]
FLIP: 用于后门干扰缓解的可证明防御框架	普渡大学	ICLR	2023	[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	RUC	ICLR	2023	[PUB]
高效的联邦领域转换	普渡大学	ICLR	2023	[PUB] [CODE]
预训练在联邦学习中的重要性和适用性	OSU	ICLR	2023	[PUB] [PDF] [CODE]
诈骗者：在联邦学习语言模型中，破坏隐私的变压器	UMD	ICLR	2023	[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	UCLA	ICLR	2023	[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	ICLR	2023	[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	ICLR	2023	[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	ICLR	2023	[PUB] [PDF] [CODE]
用于通信效率的稀疏随机网络联邦学习	Stanford	ICLR	2023	[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	ICLR	2023	[PUB] [CODE]
通过神经网络划分进行超参数优化	剑桥大学	ICLR	2023	[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	ICLR	2023	[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	mbzuai	ICLR	2023	[PUB] [PDF] [CODE]
用于图像到图像翻译的双重扩散隐式桥接	Stanford	ICLR	2023	[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 Lille	Mach Learn	2022	[PUB] [PDF]
联邦在线聚类带梯度的多臂赌博问题	CUHK	UAI	2022	[PUB] [PDF] [CODE]
隐私感知压缩用于联邦数据分析	Meta AI	UAI	2022	[PUB] [PDF] [CODE]
通过全局和局部动量加速非凸联邦学习	UTEXAS	UAI	2022	[PUB] [PDF]
Fedvarp：解决联邦学习中部分客户端参与引起的方差	CMU	UAI	2022	[PUB] [PDF]
基于SHPRG的联邦学习高效安全聚合	CAS; CASTEST	UAI	2022	[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	UAI	2022	[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	TPAMI	2022	[PUB]
量化梯度创新的通信高效联邦学习	浙江大学	TPAMI	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[PUB] [PDF]
投影随机近似的渐近行为：跳跃扩散的视角	北京大学	NeurIPS	2022	[PUB]
非各向同性噪音下的异构数据子空间恢复	Stanford	NeurIPS	2022	[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	KAUST	NeurIPS	2022	[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	NeurIPS	2022	[PUB] [CODE]
改进私有计数草图的效用分析	ITU	NeurIPS	2022	[PUB] [PDF] [CODE]
用于分布学习的速率-失真理论界限	华为	NeurIPS	2022	[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	NeurIPS	2022	[PUB] [PDF]
BEER：带通信压缩的分散非凸优化的快速 O(1/T) 速率	Princeton	NeurIPS	2022	[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	NeurIPS	2022	[PUB] [PDF]
副本间的近似最优协同学习	INRIA; Inserm	NeurIPS	2022	[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	NeurIPS	2022	[PUB] [PDF]
连续非凸优化中的最优通信复杂度	TTIC	NeurIPS	2022	[PUB] [CODE]
FedPop：个性化联邦学习的贝叶斯方法	Skoltech	NeurIPS	2022	[PUB] [PDF]
通过核心稳定性在联邦学习中实现公平性	UIUC	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[PUB] [CODE]
样本优化在个性化协作学习和联邦学习中的应用	INRIA	NeurIPS	2022	[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	NeurIPS	2022	[PUB] [PDF]
FairVFL: 基于对抗学习的公平垂直联邦学习框架	清华大学	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[PUB] [CODE]
DENSE: 数据无关的一次性联邦学习	浙江大学	NeurIPS	2022	[PUB] [PDF]
CalFAT: 具有标签偏移的校准联邦对抗训练	浙江大学	NeurIPS	2022	[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	NeurIPS	2022	[PUB] [PDF]
在联邦学习中控制胖尾噪声	俄亥俄州立大学	NeurIPS	2022	[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	NeurIPS	2022	[PUB]
热数据和冷数据特征的联邦子模型优化	上海交通大学	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[PUB] [PDF] [CODE]
通信高效的广义线性绷带联邦学习	弗吉尼亚大学	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[PUB] [PDF]
混合回归联邦学习的全局收敛性	东北大学	NeurIPS	2022	[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	NeurIPS	2022	[PUB]
自适应个性化联邦学习	亚马逊	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[PUB] [PDF]
个性化在线联邦多核学习	加州大学尔湾分校	NeurIPS	2022	[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	NeurIPS	2022	[PUB] [PDF] [CODE]
具有任意客户端参与的联邦学习统一分析	IBM	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[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	NeurIPS	2022	[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	Owkin	NeurIPS 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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[PUB] [PDF] [SLIDE] [CODE]
通过解耦自适应优化加速联邦学习	奥本大学	ICML	2022	[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	ICML	2022	[PUB] [PDF]
联邦学习的多级分支正则化	首尔国立大学	ICML	2022	[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	ICML	2022	[PUB] [PDF] [CODE]
使用阳性和未标记数据的联邦学习	西安交通大学	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[PUB] [PDF] [CODE]
临近和联邦随机洗牌	沙特阿卜杜拉国王科技大学	ICML	2022	[PUB] [PDF] [CODE]
使用部分模型个性化的联邦学习	华盛顿大学	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[PUB] [PDF] [CODE]
高效通信的自适应联邦学习	宾夕法尼亚州立大学	ICML	2022	[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	ICML	2022	[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	ICML	2022	[PUB] [PDF] [CODE]
无秩序的联邦学习	俄亥俄州立大学	ICML	2022	[PUB] [PDF]
QSFL：一种两级上行通信优化联邦学习框架	南开大学	ICML	2022	[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	ICML	2022	[PUB] [PDF]
使用神经切线核增强联邦学习	北卡罗来纳州立大学	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICML	2022	[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	ICLR	2022	[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	ICLR	2022	[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	ICLR	2022	[PUB] [PDF]
联邦学习加速与缓解本地训练遗忘	清华大学	ICLR	2022	[PUB] [PDF] [CODE]
FedPara: 低秩哈达玛积用于高效通信的联邦学习	POSTECH	ICLR	2022	[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	ICLR	2022	[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	ICLR	2022	[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	ICLR	2022	[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	ICLR	2022	[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	ICLR	2022	[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	ICLR	2022	[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	ICLR	2022	[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	ICLR	2022	[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	ICLR	2022	[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	ICLR	2022	[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	ICLR	2022	[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	ICLR	2022	[PUB] [PDF] [CODE]
通过隐私无关的集群提升联邦学习人脸识别性能	Aibee	ICLR Spotlight	2022	[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	ICLR	2022	[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	ICLR	2022	[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	ICLR	2022	[PUB] [PDF]
一次性联邦学习：理论极限及实现它们的算法		JMLR	2021	[PUB] [CODE]
低带宽设备的受限差分隐私联邦学习		UAI	2021	[PUB] [PDF]
基于动态正则化的联邦随机梯度朗之万动力学		UAI	2021	[PUB] [PDF]
基于动态正则化的联邦学习	波士顿大学; ARM	ICLR	2021	[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	ICLR	2021	[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	ICLR	2021	[PUB] [PDF] [CODE]
FedMix: 平均增强联邦学习下的Mixup近似	韩国科学技术院	ICLR	2021	[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	ICLR	2021	[PUB] [PDF] [CODE]
自适应联邦优化 :fire:	谷歌	ICLR	2021	[PUB] [PDF] [CODE]
使用一阶模型优化的个性化联邦学习	斯坦福大学; NVIDIA	ICLR	2021	[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	ICLR	2021	[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	ICLR	2021	[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	ICLR	2021	[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	ICML	2021	[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	ICML	2021	[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	ICML	2021	[PUB] [PDF] [VIDEO]
通过超网络实现个性化联邦学习 :fire:	巴伊兰大学; NVIDIA	ICML	2021	[PUB] [PDF] [CODE] [PAGE] [VIDEO] [解读]
联邦复合优化	斯坦福大学; 谷歌	ICML	2021	[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	ICML	2021	[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	ICML	2021	[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	ICML	2021	[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	ICML	2021	[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	ICML	2021	[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	ICML	2021	[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	ICML	2021	[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 AI	ICML	2021	[PUB] [PDF] [CODE] [VIDEO]
异质性致胜：单次联邦聚类	卡内基梅隆大学	ICML	2021	[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	ICML	2021	[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	ICML	2021	[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	ICML	2021	[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; IBM	ICML	2021	[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	ICML	2021	[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	NeurIPS	2021	[PUB] [PDF]
多源提升	谷歌	NeurIPS	2021	[PUB]
DRIVE: 一位分布式均值估计	VMware	NeurIPS	2021	[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	NeurIPS	2021	[PUB] [CODE]
使用生成图像先验的梯度逆转	韩国科学技术院	NeurIPS	2021	[PUB] [PDF] [CODE]
稀疏异构数据的分布式机器学习	牛津大学	NeurIPS	2021	[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	NeurIPS	2021	[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	NeurIPS	2021	[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	NeurIPS	2021	[PUB] [CODE]
具有理论保证的容错联邦强化学习	新加坡国立大学	NeurIPS	2021	[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	NeurIPS	2021	[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	NeurIPS	2021	[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	NeurIPS	2021	[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	NeurIPS	2021	[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	NeurIPS	2021	[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	NeurIPS	2021	[论文] [PDF] [代码] [解读]
在联合学习中评估梯度反演攻击和防御🔥	Princeton	NeurIPS	2021	[论文] [PDF] [代码]
具有高斯过程的个性化联合学习	巴伊兰大学	NeurIPS	2021	[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	NeurIPS	2021	[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	NeurIPS	2021	[论文] [PDF] [代码]
联合重构：部分本地联合学习🔥	Google Research	NeurIPS	2021	[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; MIT	NeurIPS	2021	[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	NeurIPS	2021	[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	NeurIPS	2021	[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	NeurIPS	2021	[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	NeurIPS	2021	[论文] [PDF] [代码]
非独立同分布图的联合图分类	Emory	NeurIPS	2021	[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	NeurIPS	2021	[论文] [PDF] [代码]
大规模团体训练联合学习🔥	Google; CMU	NeurIPS	2021	[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	NeurIPS	2021	[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	NeurIPS	2021	[论文] [视频]
COVID-19胸部X光联合分割非任务视觉转换器	KAIST	NeurIPS	2021	[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	NeurIPS	2021	[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	NeurIPS	2021	[论文] [PDF] [代码]
少轮学习联合学习：	KAIST	NeurIPS	2021	[论文]
打破跨设备联合学习的集中屏障	EPFL; Google Research	NeurIPS	2021	[论文] [代码] [视频]
具有异构性缓解和方差减少的联合EM	Ecole Polytechnique; Google Research	NeurIPS	2021	[论文] [PDF]
延迟梯度平均：容忍联合学习的通信延迟	MIT; Amazon; Google	NeurIPS	2021	[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 Research	NeurIPS	2021	[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	ICLR	2020	[论文] [PDF] [代码]
DBA：对联合学习的分布式后门攻击	浙江大学; IBM Research	ICLR	2020	[论文] [代码]
联合学习中的公平资源分配🔥	CMU; Facebook AI	ICLR	2020	[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 Research	ICLR	2020	[论文] [PDF] [代码]
差分隐私元学习	CMU	ICLR	2020	[论文] [PDF]
生成模型有效进行私有、分散数据集上的机器学习🔥	Google	ICLR	2020	[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	ICLR	2020	[PUB] [PDF] [CODE] [解读]
FedBoost: 一种通信高效的联邦学习算法	谷歌	ICML	2020	[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	ICML	2020	[PUB] [PDF] [VIDEO] [CODE]
SCAFFOLD: 联邦学习的随机控制平均	EPFL; 谷歌	ICML	2020	[PUB] [PDF] [VIDEO] [UC.] [解读]
仅使用正标签的联邦学习	谷歌	ICML	2020	[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; KAUST	ICML	2020	[PUB] [PDF] [SLIDE] [VIDEO]
分布式和联邦优化中压缩梯度下降的加速	KAUST	ICML	2020	[PUB] [PDF] [SLIDE] [VIDEO]
差分隐私的联邦线性广告	麻省理工学院	NeurIPS	2020	[PUB] [PDF] [CODE]
联邦主成分分析	剑桥大学; Quine技术公司	NeurIPS	2020	[PUB] [PDF] [CODE]
FedSplit: 一种快速联邦优化的算法框架	UC Berkeley	NeurIPS	2020	[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	NeurIPS	2020	[PUB] [PDF] [CODE]
个性化联邦学习的下界和最优算法	KAUST	NeurIPS	2020	[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	NeurIPS	2020	[PUB] [PDF] [CODE]
高效的集群联邦学习框架	UC Berkeley; DeepMind	NeurIPS	2020	[PUB] [PDF] [CODE]
分布鲁棒的联邦平均 :fire:	宾夕法尼亚州立大学	NeurIPS	2020	[PUB] [PDF] [CODE]
使用Moreau Envelope的个性化联邦学习 :fire:	悉尼大学	NeurIPS	2020	[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 Austin	NeurIPS	2020	[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	NeurIPS	2020	[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	NeurIPS	2020	[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	NeurIPS	2020	[PUB] [PDF]
联邦加速随机梯度下降	斯坦福大学	NeurIPS	2020	[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	NeurIPS	2020	[PUB] [PDF] [CODE]
通过集成蒸馏实现联邦学习中的鲁棒模型融合	EPFL	NeurIPS	2020	[PUB] [PDF] [CODE]
交叉数据中心联邦学习的吞吐量优化拓扑设计	INRIA	NeurIPS	2020	[PUB] [PDF] [CODE]
贝叶斯非参数联邦学习神经网络 :fire:	IBM	ICML	2019	[PUB] [PDF] [CODE]
通过对抗视角分析联邦学习 :fire:	普林斯顿大学; IBM	ICML	2019	[PUB] [PDF] [CODE]
不加区分的联邦学习	谷歌	ICML	2019	[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	NeurIPS	2018	[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	NeurIPS	2017	[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）。

KDD 2023(研究轨道，应用数据科学轨道，工作坊)，2022(研究轨道，应用数据科学轨道)，2021，2020
WSDM 2024，2023，2022，2021，2019

<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	WSDM	2024	[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	WSDM	2024	[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	KDD	2023	[PUB] [PDF]
FedDefender: 客户端攻击容忍的联合学习	韩国科学技术院	KDD	2023	[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	KDD	2023	[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	KDD	2023	[PUB] [PDF]
ShapleyFL: 基于Shapley值的鲁棒联合学习	浙江大学	KDD	2023	[PUB] [CODE]
联合少样本学习	弗吉尼亚大学	KDD	2023	[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	KDD	2023	[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	KDD	2023	[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	KDD	2023	[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	KDD	2023	[PUB] [PDF]
FLAMES2Graph: 可解释的联合多元时间序列分类框架	L3S研究中心	KDD	2023	[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	KDD	2023	[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	KDD	2023	[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	KDD	2023	[PUB] [CODE]
FS-REAL: 面向真实世界跨设备联合学习	阿里巴巴集团	KDD	2023	[PUB] [PDF]
FedMultimodal: 多模态联合学习基准	南加州大学	KDD	2023	[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	KDD	2023	[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	KDD	2023	[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	KDD	2023	[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	WSDM	2023	[PUB] [PDF]
联合学习中的协作均衡	清华大学	KDD	2022	[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	KDD	2022	[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	KDD	2022	[PUB]
高效通信的带噪标签联邦学习	匹兹堡大学	KDD	2022	[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	KDD	2022	[PUB] [PDF] [CODE]
Practical Lossless Federated Singular Vector Decomposition Over Billion-Scale Data	香港科技大学	KDD	2022	[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	KDD	2022	[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	KDD	2022	[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	KDD	2022	[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	KDD	2022	[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	KDD	2022	[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	WSDM	2022	[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	KDD	2021	[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	KDD	2021	[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	KDD	2021	[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	KDD	2021	[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	KDD	2021	[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	KDD	2021	[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	WSDM	2021	[PUB] [CODE]
联邦深度知识追踪	中国科学技术大学	WSDM	2021	[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	KDD	2020	[PUB] [VIDEO]
垂直分区数据的联邦双随机核学习	京东科技	KDD	2020	[PUB] [PDF] [VIDEO]
使用进化策略的联邦在线排序学习	Facebook AI研究	WSDM	2019	[PUB] [CODE]

</details>

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）。

<details open> <summary>顶级安全会议和期刊中的联邦学习</summary>  |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)] |  </details>

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）。

<details open> <summary>顶级计算机视觉会议和期刊中的联邦学习</summary>

标题	隶属	会议	年份	材料
FedHCA2: Towards Hetero-Client Federated Multi-Task Learning	上交	CVPR	2024	[PUB] [SUPP] [PDF] [CODE]
Fair Federated Learning under Domain Skew with Local Consistency and Domain Diversity	武大	CVPR	2024	[PUB] [PDF] [CODE]
Think Twice Before Selection: Federated Evidential Active Learning for Medical Image Analysis with Domain Shifts	西工大; HKUST	CVPR	2024	[PUB] [SUPP] [PDF] [CODE]
FedMef: Towards Memory-efficient Federated Dynamic Pruning	香港中文大学	CVPR	2024	[PUB] [SUPP] [PDF]
Communication-Efficient Federated Learning with Accelerated Client Gradient	首尔国立大学	CVPR	2024	[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	CVPR	2024	[PUB] [SUPP] [CODE]
Adaptive Hyper-graph Aggregation for Modality-Agnostic Federated Learning	天津工业大学	CVPR	2024	[PUB] [SUPP] [CODE]
Towards Efficient Replay in Federated Incremental Learning	华中科技大学	CVPR	2024	[PUB] [SUPP] [PDF]
Mixed-Precision Quantization for Federated Learning on Resource-Constrained Heterogeneous Devices	德克萨斯大学	CVPR	2024	[PUB] [SUPP] [PDF]
Data Valuation and Detections in Federated Learning	新加坡国立大学	CVPR	2024	[PUB] [SUPP] [PDF] [CODE]
Decentralized Directed Collaboration for Personalized Federated Learning	南京理工大学	CVPR	2024	[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	CVPR	2024	[PUB] [SUPP] [PDF] [CODE]
Global and Local Prompts Cooperation via Optimal Transport for Federated Learning	上海科技大学	CVPR	2024	[PUB] [SUPP] [PDF] [CODE]
Rethinking the Representation in Federated Unsupervised Learning with Non-IID Data	浙江大学	CVPR	2024	[PUB] [SUPP] [PDF] [CODE]
Relaxed Contrastive Learning for Federated Learning	首尔国立大学	CVPR	2024	[PUB] [SUPP] [PDF] [CODE]
Leak and Learn: An Attacker's Cookbook to Train Using Leaked Data from Federated Learning	普渡大学	CVPR	2024	[PUB] [SUPP] [PDF] [VIDEO]
Traceable Federated Continual Learning	北邮	CVPR	2024	[PUB] [SUPP] [CODE]
Federated Online Adaptation for Deep Stereo	博洛尼亚大学	CVPR	2024	[PUB] [SUPP] [PDF] [CODE] [PAGE] [VIDEO]
Federated Generalized Category Discovery	特伦托大学	CVPR	2024	[PUB] [SUPP] [PDF] [CODE]
Efficiently Assemble Normalization Layers and Regularization for Federated Domain Generalization	圣母大学	CVPR	2024	[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	CVPR	2024	[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；NVIDIA	CVPR	2024	[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	KAIST	CVPR	2024	[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	CVPR	2024	[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	CVPR	2024	[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 Labs	CVPR	2024	[刊物] [附录] [PDF] [代码]
基于设备的联邦网络剪枝	匹兹堡大学	CVPR	2024	[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；AIRS	CVPR	2024	[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	CVPR	2024	[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	CVPR	2024	[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	CVPR	2024	[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	CVPR	2024	[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	MM	2023	[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	MM	2023	[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	MM	2023	[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	MM	2023	[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	MM	2023	[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	MM	2023	[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	MM	2023	[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	MM	2023	[刊物]
基于标签掩码蒸馏的联邦学习	中国科学院大学	MM	2023	[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	MM	2023	[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	MM	2023	[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	MM	2023	[刊物]
FedGH：通用全局头的异质联邦学习	南开大学	MM	2023	[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	MM	2023	[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	MM	2023	[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	MM	2023	[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	ICCV	2023	[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; NVIDIA	ICCV	2023	[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*STAR	ICCV	2023	[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	ICCV	2023	[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	ICCV	2023	[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	ICCV	2023	[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	ICCV	2023	[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	ICCV	2023	[PUB] [PDF] [SUPP]
FedPD: 联邦开放集识别中参数解耦	香港城市大学	ICCV	2023	[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AI	ICCV	2023	[PUB] [PDF] [CODE]
个体自适应推理在联邦学习中的探索	A*STAR	ICCV	2023	[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	ICCV	2023	[PUB] [PDF] [CODE]
zPROBE: 联邦学习的零窥视鲁棒性检查	普渡大学	ICCV	2023	[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	ICCV	2023	[PUB] [PDF]
MAS: 针对资源效率的联邦多任务学习	索尼AI	ICCV	2023	[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	ICCV	2023	[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	ICCV	2023	[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	ICCV	2023	[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	ICCV	2023	[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	ICCV	2023	[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	ICCV	2023	[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	ICCV	2023	[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）	ICCV	2023	[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	ICCV	2023	[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	ICCV	2023	[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	ICCV	2023	[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	ICCV	2023	[PUB] [PDF] [CODE] [SUPP]
数据损坏下的鲁棒异构联邦学习	武汉大学	ICCV	2023	[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	ICCV	2023	[PUB] [CODE]
通过多图拓扑缩短跨领域联合学习的训练时间	AIOZ	ICCV	2023	[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	CVPR	2023	[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	CVPR	2023	[PUB] [CODE]
DaFKD：域感知联合知识蒸馏	华中科技大学	CVPR	2023	[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	CVPR	2023	[PUB] [PDF]
FedSeg：用于语义分割的类异构联合学习	浙江大学	CVPR	2023	[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	CVPR	2023	[PUB] [PDF]
适应性聚合用于联合优化	美团	CVPR	2023	[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	CVPR	2023	[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	CVPR	2023	[PUB]
ScaleFL：资源自适应的异构客户端联合学习	乔治亚理工学院	CVPR	2023	[PUB] [CODE]
可靠且可解释的个性化联合学习	天津大学	CVPR	2023	[PUB]
具有泛化调整的联邦域泛化	上海交通大学	CVPR	2023	[PUB] [CODE]
差分隐私联合学习中使景观更平坦	清华大学	CVPR	2023	[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	CVPR	2023	[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	CVPR	2023	[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	CVPR	2023	[PUB] [PDF] [CODE]
学习零空间的联邦视觉提示用于MRI重建	A*STAR	CVPR	2023	[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	CUHK	CVPR	2023	[论文] [PDF] [代码]
使用数据无关的分布融合进行联邦学习	NJU	CVPR	2023	[论文] [代码]
如何防止个性化联邦学习中的低表现客户端？	CSU	CVPR	2023	[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	ECNU	CVPR	2023	[论文] [PDF] [代码]
消除偏见的增强学习用于去偏联邦学习	NTU	CVPR	2023	[论文]
联邦增量语义分割	CAS; UCAS	CVPR	2023	[论文] [PDF] [代码]
异步联邦连续学习	University of Padova	CVPR 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	UMBC	CVPR 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	USC	CVPR 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	MM	2022	[论文]
少样本模型无关联邦学习	WHU	MM	2022	[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	TJUT	MM	2022	[论文]
FedLTN：稀疏及个性化彩票网络的联邦学习		ECCV	2022	[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		ECCV	2022	[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	ECCV	2022	[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		ECCV	2022	[论文] [补充材料] [PDF] [代码] [页面]
SphereFed：多维球体联邦学习		ECCV	2022	[论文] [补充材料] [PDF]
视频理解的联邦自监督学习		ECCV	2022	[论文] [PDF] [代码]
FedVLN：隐私保护的联邦视觉与语言导航		ECCV	2022	[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		ECCV	2022	[论文] [代码]
FedX：通过交叉知识蒸馏的无监督联邦学习	KAIST	ECCV	2022	[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	ECCV	2022	[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	CVPR	2022	[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	CVPR	2022	[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	CVPR	2022	[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	CVPR	2022	[PUB] [SUPP] [PDF]
分层模型聚合用于个性化联邦学习	香港理工大学	CVPR	2022	[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	CVPR	2022	[PUB] [SUPP] [PDF] [CODE]
具有位置感知神经元的联邦学习	南京大学	CVPR	2022	[PUB] [SUPP] [PDF]
RSCFed: 随机采样共识联邦半监督学习	香港科技大学	CVPR	2022	[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	CVPR	2022	[PUB] [CODE] [VIDEO]
具有噪音和异构客户端的稳健联邦学习	武汉大学	CVPR	2022	[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	CVPR	2022	[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	CVPR	2022	[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	CVPR	2022	[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	CVPR	2022	[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	CVPR	2022	[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	CVPR	2022	[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	CVPR	2022	[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; NVIDIA	CVPR	2022	[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	CVPR	2021	[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	CVPR	2021	[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	CVPR	2021	[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	CVPR	2021	[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	ICCV	2021	[PUB]
隐私保护联邦学习的集成注意蒸馏	布法罗大学	ICCV	2021	[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	ICCV	2021	[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	MM	2021	[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	ECCV	2020	[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		MM	2020	[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	MM	2020	[PUB] [PDF] [CODE] [解读]
<SOURCE_TEXT>

</details>

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）。

<details open> <summary>顶级 NLP 会议和期刊中的联邦学习</summary>  </SOURCE_TEXT> |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) <details open> <summary>在顶级IR会议和期刊中的联邦学习</summary>

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	SIGIR	2024	[PUB]
Revisit Targeted Model Poisoning on Federated Recommendation: Optimize via Multi-objective Transport	浙江大学	SIGIR	2024	[PUB]
FeB4RAG: Evaluating Federated Search in the Context of Retrieval Augmented Generation	昆士兰大学	SIGIR	2024	[PUB] [PDF] [CODE]
FedUD: Exploiting Unaligned Data for Cross-Platform Federated Click-Through Rate Prediction	阿里巴巴集团	SIGIR	2024	[PUB]
Personalized Federated Relation Classification over Heterogeneous Texts	国防科技大学	SIGIR	2023	[PUB]
Fine-Grained Preference-Aware Personalized Federated POI Recommendation with Data Sparsity	山东大学	SIGIR	2023	[PUB]
Manipulating Federated Recommender Systems: Poisoning with Synthetic Users and Its Countermeasures	昆士兰大学	SIGIR	2023	[PUB] [PDF]
FedAds: A Benchmark for Privacy-Preserving CVR Estimation with Vertical Federated Learning	阿里巴巴集团	SIGIR	2023	[PUB] [PDF] [CODE]
Edge-cloud Collaborative Learning with Federated and Centralized Features (short-paper)	浙江大学	SIGIR	2023	[PUB] [PDF]
FLIRT: Federated Learning for Information Retrieval (extended-abstract)	卢卡高级研究学院	SIGIR	2023	[PUB]
Is Non-IID Data a Threat in Federated Online Learning to Rank?	昆士兰大学	SIGIR	2022	[PUB] [CODE]
FedCT: Federated Collaborative Transfer for Recommendation	罗格斯大学	SIGIR	2021	[PUB] [PDF] [CODE]
On the Privacy of Federated Pipelines	慕尼黑工业大学	SIGIR	2021	[PUB]
FedCMR: Federated Cross-Modal Retrieval.	大连理工大学	SIGIR	2021	[PUB] [CODE]
Meta Matrix Factorization for Federated Rating Predictions.	山东大学	SIGIR	2020	[PUB] [PDF]

</details>

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)。

<details open> <summary>在顶级数据库会议和期刊中的联邦学习</summary>

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@SIGMOD	2024	[PUB]
基于拍卖的联邦学习性能定价	阿里巴巴集团	VLDB	2024	[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	VLDB	2024	[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	VLDB	2024	[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	ICDE	2023	[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	ICDE	2023	[PUB] [CODE]
FedKNOW: 边缘任务知识集成的联邦持续学习	北京理工大学	ICDE	2023	[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	ICDE	2023	[PUB] [PDF]
联邦物联网交互漏洞分析	密歇根州立大学	ICDE	2023	[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	ICDE	2023	[PUB]
Fed-SC：高维数据上一步式联邦子空间聚类	上海科技大学	ICDE	2023	[PUB] [CODE]
FLBooster：用于加速联邦学习的统一高效平台	浙江大学	ICDE	2023	[PUB]
FedGTA：一种拓扑感知的联邦图学习平均算法	北京理工大学	VLDB	2023	[PUB] [CODE]
FS-Real：真实世界跨设备联邦学习平台	阿里巴巴集团	VLDB	2023	[PUB] [PDF] [CODE]
联邦二分类器的校准和评估	Meta	VLDB	2023	[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	VLDB	2023	[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	VLDB	2023	[PUB] [CODE]
差分隐私垂直联邦聚类	普渡大学	VLDB	2023	[PUB] [PDF] [CODE]
FederatedScope：用于异质性的灵活联邦学习平台 :fire:	阿里巴巴	VLDB	2023	[PUB] [PDF] [CODE]
用于跨垒联邦学习的安全 Shapley 值	京都大学	VLDB	2023	[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	VLDB	2022	[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	VLDB	2022	[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	VLDB	2022	[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	VLDB	2022	[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	ICDE	2022	[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	ICDE	2022	[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	ICDE	2022	[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	ICDE	2022	[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	ICDE	2022	[PUB]
Samba：安全联邦多臂赌徒系统	克莱蒙费朗大学	ICDE	2022	[PUB] [CODE]
FedRecAttack：联邦推荐模型中毒攻击	浙江大学	ICDE	2022	[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	ICDE	2022	[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	ICDE	2022	[PUB]
联邦计算入门	华威大学；Facebook	SIGMOD Tutorial	2022	[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	SIGMOD	2022	[PUB] [PDF]
跨垒联邦学习的高效排序方法	北京航空航天大学	ICDE	2021	[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	ICDE	2021	[PUB] [PDF] [CODE]
联邦学习模型调试	中国科学技术大学	ICDE	2021	[PUB]
隐私保障的联邦矩阵分解	普渡大学	VLDB	2021	[PUB]
异质差分隐私下的投影联邦平均算法	中国人民大学	VLDB	2021	[PUB] [CODE]
联邦学习中基于SQL的训练数据调试	西蒙弗雷泽大学	VLDB	2021	[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	VLDB	2021	[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.	VLDB	2021	[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	SIGMOD	2021	[PUB]
ExDRa: 联合原始数据上的探索性数据科学	西门子	SIGMOD	2021	[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 workshop	2021	[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	VLDB	2020	[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）。

SIGCOMM NULL
INFOCOM 2023, 2022(Page), 2021(Page), 2020(Page), 2019, 2018
MobiCom 2024, 2023, 2022, 2021, 2020
NSDI 2023(春季, 秋季)
WWW 2024, 2023, 2022, 2021

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	MobiCom	2024	[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	WWW	2024	[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	WWW	2024	[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	WWW	2024	[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	WWW	2024	[PUB]
联邦推荐系统中的共同聚类	伊利诺伊大学香槟分校	WWW	2024	[PUB]
联邦遗忘中的激励和动态客户端选择	北京邮电大学	WWW	2024	[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	WWW	2024	[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	WWW	2024	[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	WWW	2024	[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	WWW	2024	[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61	WWW	2024	[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	WWW	2024	[PUB] [PDF]
伪用户攻击联邦推荐系统	中国科学技术大学	WWW	2024	[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	WWW	2024	[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	WWW	2024	[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	WWW	2024	[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	WWW	2024	[PUB] [CODE] [VIDEO]
联邦知识图谱嵌入中的投毒攻击	香港理工大学	WWW	2024	[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; UPC	WWW (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	MobiCom	2023	[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	MobiCom	2023	[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	NSDI	2023	[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	WWW	2023	[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	WWW	2023	[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	WWW	2023	[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	WWW	2023	[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	WWW	2023	[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	WWW	2023	[PUB] [CODE]
FedEdge: 加速边缘辅助联邦学习	斯威本科技大学	WWW	2023	[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	WWW	2023	[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	WWW	2023	[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	INFOCOM	2023	[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	INFOCOM	2023	[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	INFOCOM	2023	[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	INFOCOM	2023	[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	INFOCOM	2023	[PUB]
异步联邦遗忘。	多伦多大学	INFOCOM	2023	[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	INFOCOM	2023	[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	INFOCOM	2023	[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	INFOCOM	2023	[PUB] [PDF] [CODE]
灵活控制的联邦学习。	IBM	INFOCOM	2023	[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	INFOCOM	2023	[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	INFOCOM	2023	[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	INFOCOM	2023	[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	INFOCOM	2023
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	INFOCOM	2023	[PUB]
联邦学习中的联合参与激励和网络定价设计。	西北大学	INFOCOM	2023	[PUB]
足够的多余：生产联邦学习中的自适应防御。	多伦多大学	INFOCOM	2023	[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	INFOCOM	2023	[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	INFOCOM	2023	[PUB] [CODE]
联邦学习中的隐私作为差分隐私资源。	北京邮电大学	INFOCOM	2023	[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	INFOCOM	2023	[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	INFOCOM	2023	[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	INFOCOM	2023	[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	INFOCOM	2023	[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	INFOCOM	2023	[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	INFOCOM	2023	[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	MobiCom	2022	[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。	pmlabs	MobiCom(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	INFOCOM	2022	[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	INFOCOM	2022	[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	INFOCOM	2022	[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	INFOCOM	2022	[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	INFOCOM	2022	[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	INFOCOM	2022	[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	INFOCOM	2022	[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；AIRS	INFOCOM	2022	[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	INFOCOM	2022	[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	INFOCOM	2022	[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	WWW	2022	[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	WWW	2022	[PUB]
通过类别判别剪枝进行联邦遗忘	香港理工大学	WWW	2022	[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	WWW	2022	[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	SIGMETRICS	2021	[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	MobiCom	2021	[PUB]
用于活动识别的联邦移动传感	三星人工智能中心	MobiCom	2021	[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	INFOCOM	2021	[PUB]
异构联邦学习中的设备采样：理论、算法和实现	普渡大学	INFOCOM	2021	[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	INFOCOM	2021	[PUB]
联邦学习的样本级数据选择	中国科学技术大学	INFOCOM	2021	[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	INFOCOM	2021	[PUB] [PDF]
成本效益的联邦学习设计	香港中文大学；AIRS；耶鲁大学	INFOCOM	2021	[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	INFOCOM	2021	[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	INFOCOM	2021	[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	INFOCOM	2021	[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	INFOCOM	2021	[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	INFOCOM	2021	[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	INFOCOM	2021	[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	INFOCOM	2021	[PUB]
Meta-HAR：用于人类活动识别的联邦表示学习	阿尔伯塔大学	WWW	2021	[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	WWW	2021	[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	WWW	2021	[PUB] [CODE]
用户建模的层级个性化联邦学习	中国科学技术大学	WWW	2021	[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	WWW	2021	[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	WWW	2021	[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	INFOCOM	2020	[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	INFOCOM	2020	[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	INFOCOM	2020	[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	MobiCom	2020	[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	INFOCOM	2019	[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	INFOCOM	2019	[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	INFOCOM	2018	[PUB]

</details>

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）。

OSDI 2021
SOSP 2021
ISCA NULL
MLSys 2024，2023，2022，2020，2019
EuroSys 2024，2023，2022，2021，2020
TPDS 2023，2022，2021，2020
DAC 2022，2021
TOCS NULL
TOS NULL
TCAD 2023，2022，2021
TC 2023，2022，2021

<details open> <summary>顶级系统会议和期刊中的联邦学习（FL）</summary>  |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)] |  </details>

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）。

ICSE 2023, 2021
FOCS Null
STOC Null

<details open> <summary>顶级会议和期刊中的联邦学习（其他领域）</summary>

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 Companion	2024	PUB
联邦学习中用于容错和自我恢复的Raft协议	SINTEF Digital	SEAMS@ICSE	2024	PUB
FedDebug: 用于联邦学习应用的系统化调试	弗吉尼亚理工	ICSE	2023	pub 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	ICSE	2023	pub code
用于工业自动化系统联邦学习的自适应架构		SEAMS@ICSE workshop	2021	pub
将联邦机器学习视为自适应问题		SEAMS@ICSE workshop	2021	pub

</details>

图数据和图神经网络中的联邦学习

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。

<details open> <summary>图数据和图神经网络中的联邦学习</summary>

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	CMU	NeurIPS :mortar_board:	2023	[PDF] [CODE]
Wyze Rule: 联邦规则数据集用于规则推荐基准测试	CMU	NeurIPS 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	ZJU	IEEE Trans. Vis. Comput. Graph. :mortar_board:	2023	[PUB] [PDF]
定制子图联邦学习	KAIST	ICML :mortar_board:	2023	[PDF]
用于推荐的半去中心集中式联邦自我图学习	SUST	WWW: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	ECUST	IEEE Trans. Inf. Forensics Secur. :mortar_board:	2023	[PUB]
耦合图上的联邦学习	XJTU	IEEE 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	UTS	AAAI :mortar_board:	2023	[PDF] [CODE]
FedGS: 客户端可用性任意的联邦图基采样	XMU	AAAI :mortar_board:	2023	[PDF] [CODE]
异质子图联邦学习的信息理论视角	PKU	DASFAA	2023	[PUB]
GraphCS: 联邦学习中的异质性图基客户端选择	NUDT	J. 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	BUPT	IEEE 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	ZUEL	IEEE 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	HVL	IEEE J. Biomed. Health Informatics	2023	[PUB]
基于联邦学习的跨企业推荐系统		IEEE Trans. Ind. Informatics	2023	[PUB]
Graph-Fraudster: 基于图神经网络的纵向联邦学习中的对抗性攻击	ZJUT	IEEE 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	SWJTU	IEEE Trans. Big Data	2023	[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	CUPT	Axioms	2023	[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	KHU	ICOIN	2023	[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	UBC	IEEE Trans. Veh. Technol.	2023	[PUB]
FedRule: 基于图神经网络的联邦规则推荐系统	CMU	IoTDI	2023	[PUB] [PDF] [CODE]
FedWalk: 差分隐私下的高效通信联邦无监督节点嵌入	SJTU	KDD :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	SJTU	ICML :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.`	ZJU	IJCAI :mortar_board:	2022	[PUB] [PDF] [CODE]
通过图实现个性化联邦学习	UTS	IJCAI :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	ZJU	IJCAI :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	USC	AAAI:mortar_board:	2022	[PUB] [PDF] [CODE] [解读]
FedGraph: 智能采样的联邦图学习	UoA	TPDS :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	IIT	ICDM	2022	[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 Delft	ACSAC	2022	[PUB] [PDF]
FedNI: 基于网络修补的联邦学习用于群体疾病预测	UESTC	TMI	2022	[PUB] [PDF]
SemiGraphFL: 用于图分类的半监督图联邦学习	PKU	PPSN	2022	[PUB]
基于图卷积网络的联邦时空交通流预测	TJU	WCSP	2022	[PUB]
基于联盟图神经网络的隐私保护个性化框架	THU	Nature Communications	2022	[PUB] [CODE] [解读]
基于联盟图深度学习的数字货币恶意交易识别	BIT	INFOCOM Workshops	2022	[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 University	EMNLP	2022	[PUB] [PDF] [CODE]
基于图神经网络的无线联盟学习中的功率分配	Rice University	ICASSP	2022	[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	UC	ICASSP	2022	[PUB] [PDF] [CODE]
带有可共享辅助信息的图正则化联盟学习	NWPU	Knowl. Based Syst.	2022	[PUB]
基于嵌入对比学习的联盟知识图谱补全 `kg.`	ZJU	Knowl. Based Syst.	2022	[PUB]
基于周期性邻居采样的联盟图学习	HKU	IWQoS	2022	[PUB]
FedGSL: 本地子图增强的联盟图结构学习		Big Data	2022	[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; CAS	IJCNN	2022	[PUB]
用于链接预测的联盟多服务器知识图谱嵌入框架		ICTAI	2022	[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	KSEM	2022	[PUB] [PDF]
聚类图联盟个性化学习	NTNU	IEEECONF	2022	[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 Workshop	2022	[PDF] [CODE]
在任意图上进行点对点变分联盟学习	UCSD	Int. J. Bio Inspired Comput.	2022	[PUB]
联盟多任务图学习	ZJU	ACM Trans. Intell. Syst. Technol.	2022	[PUB]
基于图的通信高效的交通预测联盟学习	SUSTech	WCNC	2022	[PUB]
用于时空预测的联盟元学习	NEU	Neural Comput. Appl.	2022	[PUB] [CODE]
BiG-Fed: 双层优化增强的图辅助联盟学习	NTU	IEEE Transactions on Big Data	2022	[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 Workshops	2022	[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	Patterns	2022	[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	UC	EUSIPCO	2022	[PUB] [PDF]
用于流数据的去中心化联盟多任务学习	NTNU	CISS	2022	[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	JBHI	2022	[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	Mathematics	2022	[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	ND	ACM 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 University	NeurIPS :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.`	BUAA	CIKM	2021	[PUB] [PDF] [CODE] [解读]
去中心化联盟图神经网络	Blue Elephant Tech	IJCAI Workshop	2021	[PDF]
FedSGC：用于节点分类的联盟简单图卷积	香港科技大学	IJCAI Workshop	2021	[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	ICCAD	2021	[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. Informatics	2021	[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	ICC	2021	[PUB] [PDF]
联盟环境中的知识图谱嵌入 `kg.`	ZJU	IJCKG	2021	[PUB] [PDF] [CODE]
异构数据的联盟知识图谱嵌入 `kg.`	TJU	CCKS	2021	[PUB]
带有隐私保护学习的图联盟架构	EPFL	SPAWC	2021	[PUB] [PDF] [解读]
基于图神经网络的联合社会推荐	UIC	ACM TIST	2021	[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.`	USC	ICLR Workshop / MLSys Workshop	2021	[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 Workshop	2021	[PUB] [CODE]
基于聚类驱动的跨域图联合学习	都灵理工大学	CVPR Workshop	2021	[PDF] [解读]
FedGNN: 面向隐私保护推荐的联合图神经网络	THU	ICML workshop	2021	[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 workshop	2021	[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	IWQoS	2021	[PUB]
用于跨图节点分类的联合图神经网络	北京邮电大学	CCIS	2021	[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	ICMLA	2021	[PUB]
图卷积网络的分布式训练	罗马第一大学	TSIPN	2021	[PUB] [PDF] [解读]
电子健康记录上的去中心化联合学习	UMN	NeurIPS Workshop / CISS	2020	[PUB] [PDF] [解读]
ASFGNN: 自动分离-联合图神经网络	蚂蚁集团	PPNA	2020	[PUB] [PDF] [解读]
基于无线D2D网络的去中心化联合学习	SZU	SPAWC	2020	[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	BigData	2019	[PUB] [PDF]
面向协同金融犯罪检测的联合图学习	IBM	NeurIPS Workshop	2019	[PDF]
基于联邦电子健康记录的预测模型联合学习 :star:	BU	International Journal of Medical Informatics	2018	[PUB]
FedHGN: 异质图神经网络联合学习框架		preprint	2023	[PDF] [CODE]
面向联合推荐的图引导个性化		preprint	2023	[PDF]
GraphGANFed: 一个面向高效药物发现的图结构分子联合生成框架		preprint	2023	[PDF]
GLASU: 一种通信高效的垂直分布图数据联合学习算法		preprint	2023	[PDF]
面向推荐系统的垂直联合图神经网络		preprint	2023	[PDF] [CODE]
Lumos: 面向去中心化设备的异质联合图学习		preprint	2023	[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		preprint	2023	[PDF]
异质联合知识图谱嵌入学习与反学习		preprint	2023	[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		preprint	2023	[PDF]
联合图学习中的隐藏表示共享	UCLA	preprint	2022	[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	preprint	2022	[PDF]
带有共享嵌入的联合图网络	北京建筑大学	preprint	2022	[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	preprint	2022	[PDF]
异质联合学习在图上的应用		preprint	2022	[PDF]
FedEgo: 基于Ego-graphs的隐私保护个性化联合图学习	中山大学	preprint	2022	[PDF] [CODE]
联合图对比学习	悉尼科技大学	preprint	2022	[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		preprint	2022	[PDF]
隐私保护的图分析：安全生成和联合学习		preprint	2022	[PDF]
联合图注意网络用于谣言检测		preprint	2022	[PDF] [CODE]
FedRel：一种用于时空图学习的自适应联合相关框架		preprint	2022	[PDF]
私有化联合图学习		preprint	2022	[PDF]
联合图神经网络：概述、技术和挑战 `surv.`		preprint	2022	[PDF]
带有异质通信阈值的去中心化事件触发联合学习		preprint	2022	[PDF]
使用图超网络的异质架构联合学习		preprint	2022	[PDF]
STFL: 基于图神经网络的时间-空间联合学习框架		preprint	2021	[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		preprint	2021	[PDF]
利用知识图联合改进数字图书馆的分面搜索 `kg.`		preprint	2021	[PDF]
通过一次性通信进行联合近视社区检测		preprint	2021	[PDF]
联合图学习 —— 一篇立场论文 `surv.`		preprint	2021	[PDF]
面向图卷积网络的垂直联合学习框架		preprint	2021	[PDF]
FedGL：带有全局自监督的联合图学习框架		preprint	2021	[PDF]
FL-AGCNS: 自动化图卷积网络搜索联合学习框架		preprint	2021	[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		preprint	2021	[PDF] [CODE]
通过基准对齐和权重惩罚改进联合关系数据建模 `kg.`		preprint	2020	[PDF]
GraphFederator：多方图的联合视觉分析		preprint	2020	[PDF]
节点分类的隐私保护图神经网络		preprint	2020	[PDF]
图上的点对点联合学习	UC	preprint	2019	[PDF] [解读]

</details>

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]

<details open> <summary>私有图神经网络（待办）</summary>   </details>

表格数据上的联邦学习

本节提到DBLP搜索引擎。

<details open> <summary>表格数据上的联邦学习</summary>

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	AAAI	2023	[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. Informatics	2023	[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		EuroMLSys	2023	[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	Entropy	2023	[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 Access	2023	[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	ICML	2022	[PUB] [PDF] [CODE]
具有差分隐私的联合提升决策树	华威大学	CCS	2022	[PUB] [PDF] [CODE]
联邦功能梯度提升	宾夕法尼亚大学	AISTATS	2022	[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		ICCP	2022	[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	ISSRE	2022	[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	ICPADS	2022	[PUB]
STBoost: 没有梯度下降的跨厂区联合学习方法	都灵大学	IJCNN	2022	[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/SustainCom	2022	[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		AMIA	2022	[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-Energy	2022	[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 Access	2022	[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 Access	2022	[PUB]
eFL-Boost: 用于梯度提升决策树的高效联邦学习	神户大学	IEEE Access	2022	[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	AIAI	2022	[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	SAC	2022	[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 Workshops	2022	[PUB]
VF2Boost: 用于跨企业学习的高效纵向联合梯度提升	北京大学	SIGMOD	2021	[PUB]
多源提升	谷歌	NeurIPS	2021	[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 Access	2021	[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 BigData	2021	[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	ICONIP	2021	[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 @ESORICS	2021	[PUB]
AF-DNDF: 深度神经决策森林的异步联邦学习	查尔姆斯	SEAA	2021	[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&P	2021	[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

</details>

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。

<details open> <summary>联邦学习框架</summary>

平台	论文	隶属机构	SG	ST	资料
PySyft<br /><br />	A generic framework for privacy preserving deep learning	OpenMined			[DOC]
FATE<br /><br />	FATE: An Industrial Grade Platform for Collaborative Learning With Data Protection	WeBank		:white_check_mark::white_check_mark:	[DOC] [DOC(ZH)]
Flower<br /><br />	Flower: A Friendly Federated Learning Research Framework	flower.ai			[DOC]
FedML<br /><br />	FedML: A Research Library and Benchmark for Federated Machine Learning	FedML	:white_check_mark::white_check_mark:	:white_check_mark:	[DOC]
TFF(Tensorflow-Federated) <br /><br />	Towards Federated Learning at Scale: System Design	Google			[DOC] [PAGE]
SecretFlow <br /><br />		Ant group		:white_check_mark:	[DOC]
Primihub<br /><br />		primihub			[DOC]
FederatedScope<br /><br />	FederatedScope: A Flexible Federated Learning Platform for Heterogeneity	Alibaba DAMO Academy	:white_check_mark::white_check_mark:		[DOC] [PAGE]
PFLlib<br /><br />	PFLlib: Personalized Federated Learning Algorithm Library	SJTU
Fedlearner<br /><br />		Bytedance
LEAF<br /><br />	LEAF: A Benchmark for Federated Settings	CMU
Fedlab<br /><br />	FedLab: A Flexible Federated Learning Framework	SMILELab			[DOC] [DOC(ZH)] [PAGE]
OpenFL<br /><br />	OpenFL: An open-source framework for Federated Learning	Intel			[DOC]
Rosetta<br /><br />		matrixelements			[DOC] [PAGE]
NVFlare<br /><br />	NVIDIA FLARE: 从模拟到现实世界的联邦学习	NVIDIA			[DOC]
Privacy Meter<br /><br />	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<br /><br />	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<br /><br />		百度			[DOC]
IBM Federated Learning<br /><br />	IBM 联邦学习：企业框架白皮书	IBM		:white_check_mark:	[PAPERS]
FLGo<br /><br />	公平平均的联邦学习<br />FLGo：一个完全可定制的联邦学习平台	厦门大学
KubeFATE<br /><br />		微众银行			[WIKI]
FedScale<br /><br />	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 <br /><br />	差分隐私的联邦学习：客户端视角	SAP-samples
PersonalizedFL<br /><br />		微软
plato<br /><br />	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<br /><br />	深度学习模型中的盲后门	康奈尔科技
SWARM LEARNING <br /><br />	用于去中心化和机密临床机器学习的蜂群学习				[VIDEO]
EasyFL<br /><br />	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 <br /><br />		Substra			[DOC]
FedJAX<br /><br />	FEDJAX：基于JAX的联邦学习模拟	Google
Breaching<br /><br />	一个攻击隐私的联合学习框架 (论文)
FLSim<br /><br />		facebook research
Galaxy Federated Learning<br /><br />	GFL: 基于区块链的去中心化联合学习框架	浙江大学			[文档]
FedNLP<br /><br />	FedNLP: 一个自然语言处理任务的联合学习方法基准	FedML
PyVertical <br /><br />	PyVertical: 一个多头SplitNN的垂直联合学习框架	OpenMined
Xaynet<br /><br />		XayNet			[页面] [文档] [白皮书] [法律审查]
SyferText<br /><br />		OpenMined
FLSim <br /><br />	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<br /><br />	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<br /><br />	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 <br /><br />	分布鲁斯特的联合平均	宾夕法尼亚州立大学
PhotoLabeller<br /><br />					[博客]
FedTree<br /><br />	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<br /><br />	用FEDn进行可扩展的联合机器学习	scaleoutsystems			[文档]
FATE-Serving <br /><br />		微众银行			[文档]
PriMIA<br /><br />	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<br /><br />		京东
FedLearn<br /><br />	Fedlearn-Algo：一个灵活的开源隐私保护机器学习平台	京东
FeTS<br /><br />	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<br /><br />	APPFL：隐私保护联邦学习的开源软件框架				[DOC]
FedCV<br /><br />	FedCV：一个用于多样化计算机视觉任务的联邦学习框架	FedML
MPLC<br /><br />		LabeliaLabs			[PAGE]
Flame<br /><br />	Flame：简化联邦学习中的拓扑扩展	思科			[DOC]
FlexCFL<br /><br />	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<br /><br />	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<br /><br />	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 <br /><br />	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<br /><br />	OpenFed：一个全面而多功能的开源联邦学习框架				[DOC]
FedSim<br /><br />
GOLF <br /><br />		中山大学			[DOC]
联邦学习源代码 <br /><br />	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]

</details>

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

Wyze Rule 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

联邦学习入门教程参考
[NeurIPS 2020] 联邦学习教程 [网页] [幻灯片] [视频]
在MNIST上使用CNN进行联邦学习，AI6101，2020 (演示视频)
[AAAI 2019] 联邦学习：用户隐私、数据安全和机器学习中的保密性
应用密码学
差分隐私简要介绍
使用差分隐私的深度学习
构建安全的AI
- 加密深度学习教程
- 使用同态加密（HE）
使用MPC进行私人图像分析
- 在敏感数据上训练CNN
- 使用SPDZ作为MPC协议
使用MPC进行私人深度学习
- 从头开始的简单教程
- 使用多方计算（MPC）

课程

秘密共享

夏米尔秘密共享和拉格朗日插值简单介绍
秘密共享
- 第1部分：夏米尔秘密共享和打包变体
- 第2部分：提高效率
- 第3部分：稳健重建

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