Tag · 4 篇
非独立同分布数据
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。
GDFA：几何驱动且带方向任务向量对齐的联邦遗忘
GDFA: Geometry-Driven Federated Unlearning with Directional Task Vector Alignment
把损失景观几何（平坦极小值）作为提升遗忘鲁棒性的手段，并通过对任务向量做方向一致性过滤来隔离共享知识——这套「平坦化 + 方向对齐的任务向量」思路可迁移到视觉模型的版权数据删除、概念擦除与个性化模型去身份化等场景。
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。
FedARA：异构边缘设备上基于锚驱动表征对齐的资源自适应低秩个性化联邦学习
FedARA: Resource-adaptive Low-rank Personalized Federated Learning via Anchor-driven Representation Alignment on Heterogeneous Edge Devices
低秩分解+重构融合的共享特征提取器方案，允许各客户端按本地资源自选秩值，可直接迁移到视觉模型在异构边缘设备上的分布式协同训练与通信压缩；锚驱动的表征一致性学习则为解决非IID视觉数据下特征空间漂移提供了可复用的对齐思路。