深度分析
FedOPAL：結合視覺提示調整的分析式一次性聯邦學習新突破
隨著邊緣裝置上大型預訓練模型的部署，聯邦學習的頻寬瓶頸日益凸顯。FedOPAL 透過視覺提示調整局部特徵，使其符合分析式聯邦學習的線性可分假設，僅以一次通訊完成聚合，且伺服器不需額外訓練。實驗顯示在多項異質資料集上，其準確度可與最先進的迭代方法持平，且效能明顯領先傳統分析基線。
深度分析
隨著邊緣裝置上大型預訓練模型的部署，聯邦學習的頻寬瓶頸日益凸顯。FedOPAL 透過視覺提示調整局部特徵，使其符合分析式聯邦學習的線性可分假設，僅以一次通訊完成聚合，且伺服器不需額外訓練。實驗顯示在多項異質資料集上，其準確度可與最先進的迭代方法持平，且效能明顯領先傳統分析基線。
深度分析
聯邦學習因客戶端資料分布不一致而性能受損，研究提出FedXDS以XAI的特徵歸因指導資料共享，僅傳送屬於模型決策關鍵的特徵並加入度量差分隱私保護。實驗顯示在多客戶端與高異質性情境下，FedXDS能提升準確率與收斂速度，同時抵禦成員推論與特徵反演攻擊。此外，該方法僅需一次反向傳播即可取得歸因圖，減少計算開銷。