跨机构协作不泄隐私
一种针对类别不平衡和异构图数据的跨机构联邦学习方法，通过生成跨客户端少数类样本、补偿机制和自适应聚合系数提升模型性能。
卫相宇 · Guorong, Chen · Yongsheng, Zhu · Fuqiang, Hu · Chongzhen, Zhang · Zhen, Han · Wei, Wang
IEEE Internet of Things Journal 2024
每个机构的数据都留在本地，模型只交换参数，因此敏感信息不会离开设备。
通过给少数类生成合成样本，模型在少样本类别上的表现也得到提升。
数据越不平衡的机构权重越低，避免带偏全局模型，整体准确率因此更高。
补偿机制防止模型在本地更新时丢掉之前学到的全局信息，保持跨机构泛化能力。