【专题】AI领域中的“联合学习”相关研究-2025年9-10月

主要观点总结

本文概述了多篇关于联合学习（Federated Learning）的文章，包括其挑战、方法和应用。文章涉及模型中毒攻击的防御、隐私保护、模型稳定性等方面的问题。同时介绍了针对大规模多视图聚类、图异常检测等领域的联合学习技术应用。

关键观点总结

关键观点1: 大规模多视图聚类的联合学习

介绍了一种通过锚表示和多图对齐联合学习的大规模多视图聚类方法，旨在处理多视图数据中的挑战，增强交叉视图的一致性，并在多个数据集上实现了聚类性能的提升。

关键观点2: 模型中毒攻击的防御

描述了联合学习中防止模型中毒的多种策略，包括通过设计新的模型对比项增强良性参与者之间模型更新的一致性，采用安全聚合协议抵抗中毒攻击，以及通过增强模型稳定性来防御模型中毒。

关键观点3: 隐私保护的联合学习

介绍了在联合学习中保护隐私的多种方法，包括使用同态加密、模糊处理等技术，确保在保护用户隐私的同时进行模型训练。

关键观点4: 图异常检测的对比联合学习

介绍了一种新的图异常检测联邦学习模型（FedGAD），支持去中心化数据中心之间的协作无监督学习，通过增强节点表示的知识和跨客户端的节点表示模块来检测图异常。

关键观点5:

介绍了一种样本级原型的联合学习方法，通过集成原型学习为每个数据样本提供细粒度的个性化模型，以解决跨竖井场景中的非IID问题。

关键观点6: