chanong 本文讨论的计算机视觉领域的顶级会议主要包括：
ATPFL：[PUB.] 下的模型
ATPFL 帮助用户多次训练 TP 模型。 ATPFL帮助用户结合多源轨迹数据集，自动设计和训练强大的TP轨迹预测模型。
对于[PUB.] [supp] [PDF] [Code]中的数据
基于自我的ViT-FL（例如，）更倾向于数据，因此更倾向于数据。 。
：多级标签噪声 [PUB.] [supp] [PDF] [Code]
，在 FL 中多阶段标记噪声，任何局部噪声，同时仍然是数据。 确保客户数据的私密性。 ，建立在基于 的 FL 之上，以提高 FL 的速度。 建立在基于相关性的客户选择策略之上的 FL 框架，以提高 FL 的收敛速度。 一种新颖的 pFL Layer-wised () 可以从 中计算每一层，因此能够使用数据建立模型。 能够为具有异构数据的客户优化个性化模型聚合非常重要。
本地：[PUB.] [supp] [PDF] [Code] 中的数据
佛罗里达州的数据，重点关注本地比。 我们重新思考 FL 中数据异构性的解决方案，重点关注局部学习的泛化性 ( ) 而不是近似限制。
With -Aware [PUB.] [补充] [PDF]
semi- (FSSL) 旨在通过完全或完全或来建立模型。 a ，由来自 完全- 、 完全- 或 之间的。 联邦半监督学习（FSSL）旨在训练有监督和无监督客户端或半监督客户端以获得全局模型。 随机抽样的共识联邦学习，即考虑来自监督、无监督或半监督客户端的模型之间的不均匀可靠性。
学习并参与[PUB。] [代码]
FCCL（交叉和）对于 ，FCCL 数据对于和交叉来学习下移。 , 对于 , FCCL 在本地、间和内部。 FCCL（联合互相关和连续学习）对于异构问题，FCCL利用未标记的通信公共数据并构建互相关矩阵来学习域转移下的可泛化表示。 同时，针对灾难性遗忘，FCCL利用本地更新中的知识细化来提供域间和域内信息，而不会泄露隐私。
有噪音和[PUB.] [supp] [代码]
RHFL() 中的标签噪声 和 。 RHFL（鲁棒模型异构联邦学习），它在一个框架内同时处理标签噪声并执行联邦学习。
：A 代表拆分模型 [PUB.] [supp] [PDF] [Code]
，一个将是 MI- 的分割。 一种用于分割学习的联邦学习框架，旨在抵抗训练过程中的 MI 模型反向攻击。 模型（MI）模型反向攻击。
FedDC：通过本地漂移和 [PUB.] [supp] [PDF] [Code] [(zh) @] 使用非 IID 数据
FedDC 一本带有本地漂流的小说。 FedDC是一种新颖的联邦学习算法，具有局部漂移解耦和校正功能。
类别- [PUB.] [补充] [PDF] [代码]
-本地（GLFC）模型，从本地和 . 全局-局部遗忘补偿（GLFC）模型，从局部和全局角度学习全局类增量模型，以缓解灾难性遗忘问题。
非 IID 的通过无数据的精细模型 [PUB.] [supp] [PDF]
，一种无数据的知识蒸馏方法，在服务器中对模型进行微调，从而解决了模型的问题。 ，一种无数据的知识蒸馏方法，用于微调服务器中的全局模型，缓解了直接模型聚合的问题。
与本地和[PUB.] [supp] [PDF]
DP-+BLUR+LUS研究了用户级DP下模型的成因以及Local和Local两种建模方式。 DP-+BLUR+LUS研究了用户级DP保证下联合学习中模型性能下降的原因，提出了有界局部更新正则化和局部更新稀疏化两种技术，以在不牺牲隐私的情况下提高模型质量。
通过 [PUB.] [supp] [PDF] [代码]
(GGL) 数据仍然可以使用新类型的 . 生成梯度泄漏（GGL）验证私人训练数据在某些防御设置下仍然可以泄漏。
CD2-pFed：- 适用于 [PUB.] [PDF] 中的模型
CD2-pFed，一种新颖的 - FL 模型，根据数据。 模型的个性化。
跨筒仓图像的间隙 [PUB.] [supp] [PDF]
FedSM 是一本避免漂移问题并首次缩小与图像任务差距的小说。 分割任务中的泛化差距。
使用[代码]的多深度图像
FL-MRCM 基于 (FL)，我们在 ' 时获取 MR 数据。 FL-MRCM 一种基于联邦学习（FL）的解决方案，我们利用来自不同机构的 MR 数据，同时保护患者隐私。
模型- [pdf] [supp] [arXiv] [代码] [(zh)]
月亮：型号-。 MOON 是 的本地模型，即模型级别。 MOON模型比较学习。 MOON的关键思想是利用模型表示之间的相似性来修改各方的本地训练，即在模型层面进行比较学习。
FedDG：通过空间中的图像 [代码]
FedDG-ELCFS (FedDG) 的一部小说，旨在从中学习一个模型，使其能够 . 在空间（ELCFS）中，为此由各向多数据下的数据。 FedDG-ELCFS 联邦域泛化（FedDG 旨在从多个分布式源域学习联邦模型，以便它可以直接泛化到未见过的目标域。连续频率空间中的情景学习 (ELCFS) 使每个客户端能够利用多源数据分布数据分散的挑战性限制。
：来自 [代码]
FL 中的模型，数据的 是 ，而 FL 是 。 FL 中防御模型反转攻击的方法。 关键思想是学会扰乱数据表示，从而使重建数据的质量严重下降，而 FL 性能保持不变。 ICCV
对于非 IID 数据，通过 和
a 和非 IID FL。 用于非独立同分布FL的统一特征学习和优化目标对齐算法。
对于 - [发布。]
FedAD 是一个新的基于 FL 框架，可以通过，同时也减少了 . FedAD 是一种基于新的 FL 框架，可以通过设计保护隐私，同时比当前方法消耗更少的网络通信资源也大大减少
来自数据 PDF
FedU 一本小说。 FedU 一种新颖的无监督联邦学习框架.MM
联合边缘云进行重新构建 [PUB.] [PDF]
，一个ReID，随时学习ReID。 ，一种联合无监督人员识别系统，可以在保护隐私的同时学习没有任何标签的人员识别模型。
两个新的大规模的 和 ，用每个用户的数据来表示现实世界的边缘。 我们还有两个新的（FedVC、FedIR），并且在池中，大的在 和 中。 大规模数据集、每个用户的真实数据分割模拟真实世界的边缘学习场景。 我们还开发了两种新算法（FedVC、FedIR），可以在客户端池上智能地重新采样和重新加权，从而在训练过程中大大提高准确性和稳定性。 毫米
：超过非[PUB。]
a - 中的 . 提出一种隐私保护解决方案，以避免联邦学习中的多媒体隐私泄露。
的Re-via数据。 [PUB.] [PDF] 代码 [(zh) @庄 论文第一作者]
在现实世界中重新审视它。 对行人重新识别任务实施联邦学习，并优化其在现实场景中受统计异质性影响的性能。
如果您想了解计算机视觉领域联邦学习例会论文列表及相关信息，请点击以下链接：
#fl-in-top-cv-
计算机视觉领域顶级会议论文参考文献列表
微信扫一扫打赏
支付宝扫一扫打赏
