Tag · 35 篇
联邦学习
面向野外世界稳定联邦持续测试时自适应
Towards Stable Federated Continual Test-Time Adaptation in Wild World
为视觉模型在无标签、客户端顺序到达的野外部署场景提供了一套稳定的在线自适应与聚合机制：用最大后验估计把贝叶斯先验注入本地 TTA 以防漂移，再用不确定性门控决定是否把单客户端更新并入全局模型，可直接迁移到跨域分类/分割的持续部署流程中。
基于最优传输的子模型提取实现高效个性化联邦学习
Submodel Extraction for Efficient and Personalized Federated Learning via Optimal Transport
提出基于最优传输的服务器端个性化剪枝框架，可在不访问原始数据的情况下为异构客户端生成定制子模型，并利用自适应正则化缓解参数发散，为视觉模型在边缘设备上的高效个性化部署提供可复用方案。
通过恢复嵌入几何窃取分割学习底层模型
Stealing Split Learning Bottom Models by Recovering Embedding Geometry
对做隐私保护视觉模型部署的人，这篇给出一个可复用的攻击探针：用对比空间+邻域图匹配来检验嵌入通道的防御是否真的抹掉了关系结构，可作为评估分割式协同推理/联邦视觉系统泄露风险的标准基线。
单轮可扩展解析联邦学习
Single-Round Scalable Analytic Federated Learning
SAFLe 把非线性模型等价改写为高维线性回归，从而复用解析 FL 的单轮闭式聚合；做视觉联邦训练时可直接套用这一「分桶特征 + 稀疏分组嵌入」检测头，在 non-IID 客户端上省掉多轮通信。
ProxyFL：一种代理引导的联邦半监督学习框架
ProxyFL: A Proxy-Guided Framework for Federated Semi-Supervised Learning
把分类器可学习权重当作类别代理来同时对齐客户端间与客户端内的分布，这一「代理池」思路可直接迁移到视觉中的半监督伪标签筛选与长尾/域偏移下的分类头校准。
面向按相机联邦行人重识别的姿态引导增强特征学习
Pose-guided Enriched Feature Learning for Federated-by-camera Person Re-identification
在每客户端仅单相机的联邦设定下，用姿态解耦模块把特征拆成姿态相关/无关分量并跨身份重组，合成姿态交换特征来增强对比学习，可直接迁移到其他需要扩充姿态多样性的ReID或行人表征学习流程。
带隐私保证的扩散模型个性化联邦训练
Personalized Federated Training of Diffusion Models with Privacy Guarantees
为在去中心化私有数据上训练扩散模型提供了带逐客户端差分隐私保证的联邦个性化方案，可直接迁移到视觉场景中多源私有图像（如医疗、人脸）的协同生成建模，并给出了条件生成在 GMM 下的效用界作为分析工具。
OmniFM：面向异构医学影像的模态鲁棒与任务无关联邦学习
OmniFM: Toward Modality-Robust and Task-Agnostic Federated Learning for Heterogeneous Medical Imaging
把低频频谱分量当作跨模态共享的解剖结构先验，这一思路可直接迁移到多模态医学图像的分割/超分骨干上，用频域提示替代模态专属适配器；其前缀-后缀频谱提示与嵌入级交叉注意力融合也可作为跨模态对齐的轻量插件。
OS-Fed：单张快照足矣
OS-Fed: One Snapshot Is All You Need
把每轮累积梯度编码成一张紧凑的类图像快照（图像加可学习标签）来传输，这种「用图像式表示承载梯度/更新」的思路可迁移到视觉模型的分布式训练与梯度压缩，也可反向用于从图像式表示重建更新信号的表征学习研究。
HiLoRA：面向个性化联邦学习的分层低秩适配
HiLoRA: Hierarchical Low-Rank Adaptation for Personalized Federated Learning
把 LoRA 适配器按 root/cluster/leaf 三层级放置，并用子空间相似度做客户端聚类，这套「分层低秩适配 + 子空间正交」思路可直接迁移到视觉模型的多域/多客户端个性化微调与跨域适配场景。
以细粒度条件与语义保持采样引导扩散模型用于单样本联邦学习
Guiding Diffusion Models with Fine-Grained Conditions and Semantics-Preserving Sampling for One-Shot Federated Learning
把扩散模型当作客户端本地的数据生成器：用细粒度条件嵌入刻画类内模式、再对潜噪声分布建模并做自反思采样来提升合成数据的保真度与多样性，这套「条件嵌入+潜噪声分布采样」的组合可直接迁移到任何需要少量样本生成多样化训练数据的视觉场景（如小样本分类、长尾数据增广）。
通过正交变换实现黑盒基础模型的泛化与个性化联邦学习
Generalized and Personalized Federated Learning with Black-Box Foundation Models via Orthogonal Transformations
在视觉任务中，当基础模型（如CLIP）只能黑盒访问时，可通过客户端特定的正交变换适配嵌入，避免梯度冲突并保护知识产权，为联邦场景下的视觉模型个性化提供可复用方案。
FedSDR：带结构噪声检测与重建的联邦图学习
FedSDR: Federated Graph Learning with Structural Noise Detection and Reconstruction
对视觉研究者而言，可复用的是「用谱域结构保真度指标识别被噪声污染的客户端并降权」这一思路，可迁移到多源视觉数据（如跨摄像头、跨传感器）联合训练时对低质量来源的加权聚合，以及用健康全局模型重建局部损坏图结构的做法。
FedRG：释放表征几何以应对含噪声客户端的联邦学习
FedRG: Unleashing the Representation Geometry for Federated Learning with Noisy Clients
用自监督得到的标签无关球面表征几何（vMF 混合聚类）来判别噪声样本，替代仅依赖标量损失的思路；做噪声标签、长尾或数据异构下的鲁棒训练时，可把这套「表征几何优先」的样本筛选与软标签映射机制迁移到视觉分类流水线中。
FedRE：面向模型异构联邦学习的表征纠缠框架
FedRE: A Representation Entanglement Framework for Model-Heterogeneous Federated Learning
对视觉研究者而言，这是一种在客户端模型架构不一致时仍能聚合表征的联邦训练范式：用归一化随机权重把本地特征与 one-hot 标签编码分别聚合成单一纠缠表征与纠缠标签编码，再上传服务器训练全局分类器，可作为异构端侧视觉模型协同训练与隐私友好表征共享的可复用方案。
FedRAC：面向联邦学习协作公平的滚动子模型分配
FedRAC: Rolling Submodel Allocation for Collaborative Fairness in Federated Learning
对做视觉模型分布式训练的人，这篇提供了在客户端贡献不均时按信誉滚动分配子模型、并优先训练低频神经元的思路，可直接用于多源视觉数据联合训练时的公平激励与全局模型收敛保障。
FedMPT：视觉语言模型的联邦多标签提示微调
FedMPT: Federated Multi-Label Prompt Tuning of Vision-Language Models
在联邦场景下对 VLM 做多标签提示微调时，用 LLM 生成的条件提示与图像 patch 做最优传输来挖掘区域级语义，并用门控融合多条件预测，可缓解客户端异构数据导致的虚假标签共现过拟合；这套「条件提示 + 区域对齐」思路可迁移到其他需要细粒度多标签或开放词表的 VLM 适配任务。
FedMOP：通过动量正交投影在联邦学习中实现增强的隐私与性能
FedMOP: Achieving Enhanced Privacy and Performance in Federated Learning via Momentum Orthogonal Projection
FedMOP 通过正交投影和动量轨迹隐藏，在联邦学习中同时提升隐私与性能，为视觉模型分布式训练提供抗梯度泄露的通用手段。
FedHarmony：协调联邦多标签学习中的异构标签相关性
FedHarmony: Harmonizing Heterogeneous Label Correlations in Federated Multi-Label Learning
对做多标签视觉识别（如多属性识别、多标签分类）的研究者，这篇论文提供了在数据分散、标签空间不一致时校正标签共现结构漂移的思路：用跨客户端的共识相关性作为全局教师来纠正本地偏置估计，并可复用于任何需要建模标签共现的分布式或去中心化训练场景。
FedDAP：域偏移下联邦学习的域感知原型学习
FedDAP: Domain-Aware Prototype Learning for Federated Learning under Domain Shift
在联邦场景下按域聚合类原型、并做同域拉近/异域推远的双对齐，可作为视觉模型跨域泛化时构造域感知类中心、替代单一全局原型的可复用手段。
FedCART：通过分类器精修应对联邦对抗训练中的长尾分布
FedCART: Tackling Long-Tailed Distributions in Federated Adversarial Training via Classifier Refinement
把模型解耦为共享特征提取器与双分类器，并用梯度类原型在服务端合成平衡虚拟特征重训辅助分类器，这一套「原型校准 + 虚拟特征重平衡」思路可直接迁移到视觉中的长尾分类与对抗鲁棒性联合优化场景。
FedBPrompt：基于身体分布感知视觉提示词的联邦域泛化行人重识别
FedBPrompt: Federated Domain Generalization Person Re-Identification via Body Distribution Aware Visual Prompts
提出可学习的视觉提示词分组机制（整体身体提示词+身体部位对齐提示词）来引导ViT注意力聚焦行人区域，并冻结骨干网络仅微调提示词以降低联邦通信开销，可直接用于ViT-based行人重识别及其他细粒度视觉任务的参数高效域泛化。
FedAlign：面向非独立同分布联邦学习的差分隐私分布对齐
FedAlign: Differentially Private Distribution Alignment for Non-IID Federated Learning
为视觉模型在跨设备联邦训练中提供一种可复用的隐私保护分布对齐手段：客户端上传加噪的统计矩、服务器聚合推断全局分布并回传指导本地对齐，可直接嵌入现有的联邦视觉训练流程以缓解 Non-IID 导致的收敛慢与精度下降。
FedAdamom：以自适应动量提升联邦优化泛化性
FedAdamom: Adaptive Momentum for Improved Generalization in Federated Optimization
对视觉研究者而言，这篇论文提供了一个可复用的优化器替换思路：在数据高度异构（如多源摄像头、跨域图像）的联邦训练中，把 FedAdam 的自适应学习率换成自适应动量超参数，可在不牺牲收敛速度的前提下提升泛化与平坦极小值偏好，可直接用于联邦视觉模型的训练脚本。
FedAFD：通过对抗融合与蒸馏实现的多模态联邦学习
FedAFD: Multimodal Federated Learning via Adversarial Fusion and Distillation
双层对抗对齐与相似度引导的集成蒸馏，为视觉研究者提供在数据不共享、模态与模型异构条件下融合跨模态表征的可复用机制，可直接迁移到多模态视觉模型的分布式协同训练。
Fed-ADE：分布偏移下联邦后自适应的自适应学习率
Fed-ADE: Adaptive Learning Rate for Federated Post-adaptation under Distribution Shift
为视觉模型部署后的无标签在线自适应提供了一套按客户端、按时间步动态调节学习率的机制：用预测不确定性的变化与特征漂移来估计分布偏移强度，可直接迁移到视觉模型在非平稳数据流上的持续测试时自适应，避免固定学习率导致的欠拟合或发散。
以文本语义增强视觉表征：文本语义驱动的原型用于异构联邦学习
Enhancing Visual Representation with Textual Semantics: Textual Semantics-Powered Prototypes for Heterogeneous Federated Learning
用大语言模型生成的类文本描述经预训练语言模型编码成语义原型，再通过可训练提示与客户端图像特征对齐，为视觉表征学习提供了一种跨模态语义先验注入手段，可迁移到长尾/异构数据下的分类表征对齐。
消除后门攻击引发的距离差异：层选择性训练与裁剪以掩码后门模型
Eliminate Distance Differences Induced by Backdoor Attacks: Layer-Selective Training and Clipping to Mask Backdoor Models
提出层选择性的后门植入策略，通过定位对后门目标最敏感的层并裁剪非敏感层来缩小后门模型与干净模型的参数距离，为视觉模型在联邦学习场景下的后门攻防研究提供了可复用的隐蔽性增强手段。
域偏斜联邦学习中的特征解耦与校准
Domain-Skewed Federated Learning with Feature Decoupling and Calibration
把特征单元按域鲁棒性拆成域鲁棒/域相关两部分再校准，这套「解耦+校准」思路可直接迁移到视觉里的跨域表征学习与测试时域适应，用来防止表征坍缩到低维子空间。
基于 Fisher 信息剪枝的领域敏感联邦学习
Domain Sensitive Federated Learning with Fisher-Informed Pruning
把 Fisher 信息当作逐域通道重要性信号，在联邦场景下生成共享剪枝掩码并按域重激活通道，可迁移到视觉模型的多域个性化压缩与结构对齐；结构对比损失利用域原型增强域内一致性与域间可分性，对多域视觉表征学习有直接参考价值。
DP-FedAdamW：面向差分隐私联邦大模型的高效优化器
DP-FedAdamW: An Efficient Optimizer for Differentially Private Federated Large Models
为在隐私约束下用视觉 Transformer/ResNet 做联邦训练提供可直接替换的优化器：修正二阶矩估计的隐私噪声偏差并抑制客户端漂移，视觉研究者可在 DP 联邦微调大模型时直接套用该优化器与收敛分析框架。
测试时的可控联邦提示词学习
Controllable Federated Prompt Learning at Test Time
对做 CLIP 类视觉语言模型落地的人来说，这篇给出了一个测试时无需标签、仅靠置信度与模型-数据对齐指标动态加权全局/个性化/冻结三种提示词的方案，可直接迁移到跨域部署时的提示词自适应。
通过服务器端梯度冲突缓解与表达实现计算与通信高效的联邦遗忘
Computation and Communication Efficient Federated Unlearning via On-server Gradient Conflict Mitigation and Expression
为视觉模型在联邦场景下提供可撤销数据贡献的机制：通过服务器端梯度冲突缓解与特征编码实现遗忘，视觉研究者可将其用于隐私合规的分布式训练（如医疗影像联邦模型）中移除特定客户端数据的影响。
超越欧氏 gossip：异构且不平衡图像上的 KL 重心共识
Beyond Euclidean Gossip: KL-Barycentric Consensus on Heterogeneous and Imbalanced Images
为视觉模型在去中心化、非独立同分布数据上的协同训练提供几何感知的共识机制：在指数族期望参数空间做线性混合即得前向KL重心，可直接替换联邦/去中心化视觉训练中的权重平均，缓解异构站点间的分布漂移。
Batman：联邦后门攻击中通过恶意零空间实现良性知识对齐
Batman: Benign Knowledge Alignment Through Malicious Null Space in Federated Backdoor Attack
对做视觉模型安全与联邦训练的研究者，这篇给出了一个可复用的思路：把良性知识约束到恶意更新张成的零空间正交补中，从而在共享参数空间里解耦攻击子空间与正常表征，可用于设计更难被检测的投毒/后门方案，也可反过来启发基于子空间正交性的后门检测与去除方法。