联邦学习的分类
横向联邦学习
纵向联邦学习
联邦迁移学习——对横向联邦学习和纵向联邦学习的补充，适用于各参与方用户空间和特征空间都重叠较少的场景。
医学领域解决各地医疗机构数据共享和隐私保护问题——显然是属于横向联邦学习（特征对齐的联邦学习/同构联邦学习）
医学联邦学习面临的问题
数据异构问题
多源医学图像数据中普遍存在的交叉变异问题并没有得到很好的解决：
多源医学中心的数据因为病人、设备等个方面差异，导致参与方之间的数据特征虽然重合较多，但仍然具有很强的异构性。因此消除个中心医院收集的数据的异构性是一个重要问题。
这就由原来的数据隐私保护问题演变成了一个图像重建问题。
解决思路：
方法1.使用图像重建：端到端的编码方式重构图像。
方法2.拆解端到端的网络结构：编码器用于对网络、解码器用于生成网络的思维重构图像。
聚合算法优化问题
聚合算法优化为全局模型更快收敛并寻找到更好的最优值。
解决思路：
方法1.普遍的方式直接使用加权平均的方法更新全局模型。
方法2.算法是 q-Fair Federated Learning ，该方法对于表现较差的客户端训练的模型参数给予更高的权重，从而降低网络中同时训练模型的参数方差，从而应对数据分布的异质性。
