一、指静脉
1.FedFV
①文章创新：基本框架是fedper+N_model参数聚合的方法（区分于fedamp，本文的fedwpr固定聚合权重减少计算开销）+联合监督损失函数
二、人脸
1.FedFace
①
- 场景：每个client中仅有一个identity
- 算法：每个client上传自己identity对应embedding层向量，在Server端使用Spreadout正则化技术，尽可能分散开（类内聚合，类间分散）
② 启发：在实验中添加Spreadout模块，然后用T-SNE可视化一下各个类的间距。
2.FedPAD&&FedGPAD
①
- 本文FedGPAD是受domain-learning启发，相较于现存FL更多的关注“personalization”本文更多研究如何达成更好的“generalization”性能。将数据分解为不同的信息变量（要学习各个domain中的域不变特征，domain具体的特征通常和bg、噪声等有关，如果不同的domain直接聚合会导致性能的下降）。
- 然而，现有的域不变特征学习须同时访问到其他domain的数据，fl的设定下是不行的，本文采用两个迭代的步骤去解决：本地domain信息的解耦学习+域不变信息模型参数上传交流。
②启发：
- 目前FV还没有人去做“generalization”
- Fed