实现了精确遗忘 (Exact Unlearning)与许多追求近似遗忘的方法不同，FedWiper 的目标是彻底移除被遗忘数据的影响，使其模型状态与从未见过该数据时训练的模型等价。这提供了目前理论上最强的隐私保证。显著提升了精确遗忘的效率相比于“黄金标准”的从头重训练 (RfS)，FedWiper 通过“分而治之”（子模型）和 Uni-Adapter 机制，大大减少了遗忘操作所需的时间和计算资源。

定义用户查询服务端数据库中的数据；服务端不知道用户查询的哪些数据。分类按服务器数量：单服务器方案多服务器方案按查询类型：Index PIR隐语目前支持的PIR方式：参数多项式次数：N明文模：t密文模：q2∗logqlogt2∗logqlogtRtZtxxN1RtZt​xxN1c0c1∈Rq×Rqc0​c1​∈Rq​×Rq​Rq。

以前以为主机打开 clash 时 wsl 同样实现了代理，后来使用docker发现并不是。随后找了很多教程实现 wsl2 使用主机代理，发现各种方法并不适用，最后发现了解决方法。，这样当本机启动代理后，wsl2 同样实现了代理。（这一步可能不一样，总之。

做到多密钥环境下的“单轮、无交互聚合”；支持任意数量的客户端掉线；安全性强：服务器与客户端均无法恢复其他实体的更新；精确加解密；无需可信第三方、无需多服务器架构；

PACFL的一个理想特性是它能够处理客户的部分参与。PACFL并不要求事先知道某些客户是否可以参与该联邦，客户端可以突然加入或离开网络。如果没有指定固定的聚类数，PACFL可以形成拟合的聚数。然而，在IFCA（Ghosh等人，2020）中，聚类数必须事先确定。PACFL可以在联邦之前为用客户端进行一次性客户端聚类，而不需要关于某些客户端的可用性和数量的先前信息。相反，IFCA通过在聚类识别估计和损

ResNet18 加载预训练权重，训练过程出现 AssertionError: parameter contains nan。这个错误通常是由于梯度爆炸或消失导致的。

（交集相似度度量）：对于每个客户端。

提出了首个支持异构模型架构的公平联邦学习框架，填补了实际FL场景中公平性研究的空白；采用基于特征的知识蒸馏机制，解决异构模型兼容性问题；使用最大均值差异(MMD)损失实现特征分布对齐；客户端不上传模型参数二十上传特征图，采用对抗训练机制，协同训练不同模块。

每种技术都有其独特的应用场景和挑战。在联邦学习环境中，选择哪种技术或技术组合取决于具体的应用需求、可用的计算资源、对隐私保护的要求以及对模型性能的期望。通常情况下，实际部署时可能会结合使用多种技术来平衡隐私保护与模型性能之间的关系。

安全求交集：Private Set Intersection（PSI）Ailce 有集合X，Bob 有集合Y，在进行了PSI之后，Alice可以拿到X与Y的交集，但是不会知道Y中的其他元素。