联邦学习专题索引
本专题涵盖联邦学习的基础理论、核心算法、隐私保护机制和前沿应用。
基础理论
| 文档 | 描述 |
|---|---|
| federated-learning-fundamentals | 联邦学习基础：定义、挑战、分类体系 |
| fedavg-fedprox-algorithms | FedAvg与FedProx算法详解与收敛性分析 |
非IID数据与异构性
| 文档 | 描述 |
|---|---|
| federated-learning-non-iid-heterogeneity | 非IID数据问题：分类、影响与解决方案 |
| scaffold-fednova-algorithms | SCAFFOLD与FedNova方差缩减算法 |
个性化与高级算法
| 文档 | 描述 |
|---|---|
| personalized-federated-learning | 个性化联邦学习：方法分类与实践指南 |
隐私与安全
| 文档 | 描述 |
|---|---|
| federated-learning-privacy-dp | 差分隐私在联邦学习中的应用 |
| byzantine-attacks-defense | 拜占庭攻击与防御机制 |
| secure-aggregation | 安全聚合协议与密码学基础 |
前沿应用
| 文档 | 描述 |
|---|---|
| federated-learning-llm-finetuning | 联邦学习在大语言模型中的应用 |
| vertical-federated-learning | 垂直联邦学习：特征分区与隐私保护 |
学习路径建议
初学者路线
- federated-learning-fundamentals — 理解联邦学习的基本概念和挑战
- fedavg-fedprox-algorithms — 掌握核心算法FedAvg和FedProx
- federated-learning-privacy-dp — 了解隐私保护机制
进阶路线
- 完成初学者路线
- federated-learning-non-iid-heterogeneity — 深入理解非IID数据问题
- scaffold-fednova-algorithms — 学习高级方差缩减算法
- personalized-federated-learning — 探索个性化方法
安全方向
- federated-learning-fundamentals — 基础
- secure-aggregation — 安全聚合协议
- byzantine-attacks-defense — 拜占庭容错
- federated-learning-privacy-dp — 差分隐私
LLM应用方向
- federated-learning-fundamentals — 基础
- federated-learning-llm-finetuning — 联邦LLM微调
- personalized-federated-learning — 个性化方法
相关领域
最后更新：2026-05-15