文献综述撰写
问题描述
研究生开题需要写文献综述，要求梳理"联邦学习"领域近5年的研究进展，覆盖50篇以上文献。不知道从何下手，担心遗漏重要文献。
传统思路
- 在知网搜索关键词 - 搜出几百篇，不知道看哪些
- 逐篇阅读摘要 - 效率极低
- 按时间堆砌 - 缺乏逻辑主线
- 引用凑数 - 不知道哪些是真正重要的
问题：耗时长、逻辑散乱、可能遗漏关键文献
AI思维
第一步：让AI帮你建立领域地图
我需要写"联邦学习"的文献综述。
请帮我：
1. 梳理这个领域的主要研究方向
2. 每个方向的代表性工作和关键人物
3. 技术发展脉络（里程碑事件）
4. 当前的研究热点和open problemsAI 建立领域地图：
联邦学习领域地图
一、主要研究方向
联邦学习 ├── 1. 优化算法 │ ├── 通信效率优化 │ └── 非IID数据处理 ├── 2. 隐私保护 │ ├── 差分隐私 │ └── 安全多方计算 ├── 3. 系统与工程 │ ├── 异构设备 │ └── 容错机制 ├── 4. 攻击与防御 │ ├── 投毒攻击 │ └── 模型逆向 └── 5. 应用 ├── 医疗 ├── 金融 └── 移动设备二、里程碑文献
年份 文献 贡献 引用量 2016 McMahan et al. - FedAvg 提出联邦学习概念 10000+ 2017 Bonawitz et al. 安全聚合协议 2000+ 2018 Li et al. - FedProx 解决非IID问题 3000+ 2019 Kairouz et al. - 综述 系统性综述 5000+ 2020 Li et al. - 隐私综述 隐私保护方法汇总 2000+ 2021 FedBN 批归一化与FL 1000+ 2022 FedML框架 开源系统 - 三、关键人物/团队
人物/团队 机构 主要贡献 H. Brendan McMahan FL创始人，FedAvg Tian Li CMU FedProx, 鲁棒性研究 Virginia Smith CMU 个性化FL Qiang Yang HKUST/WeBank FL应用，综述 四、当前热点
- 个性化联邦学习 - 每个客户端获得定制模型
- 异步联邦学习 - 不等待所有客户端
- 联邦学习+大模型 - 分布式微调LLM
- 联邦学习的公平性 - 确保各方均受益
五、Open Problems
- 非IID数据的根本解决方案
- 如何验证客户端的诚实性
- 通信-计算-隐私的tradeoff
- 联邦学习的理论分析
第二步：设计文献综述结构
基于上面的领域地图，请帮我设计文献综述的结构，并指出每部分应该引用的关键文献。AI 设计结构：
文献综述结构设计
推荐结构
1. 引言（500字）
- 联邦学习的定义和背景
- 为什么需要联邦学习（数据孤岛、隐私保护）
- 综述的范围和组织方式
2. 联邦学习基础（1500字）
- 2.1 问题定义
- 2.2 FedAvg算法详解
- 2.3 联邦学习的挑战
关键引用：
- [McMahan2017] Communication-efficient learning
- [Kairouz2019] Advances and open problems
3. 优化算法研究（2000字）
- 3.1 通信效率优化
- 梯度压缩 [Alistarh2017]
- 稀疏通信 [Lin2018]
- 3.2 非IID数据处理
- FedProx [Li2020]
- SCAFFOLD [Karimireddy2020]
- 3.3 收敛性分析
- [Stich2018]
- [Li2019]
4. 隐私保护机制（2000字）
- 4.1 差分隐私
- [Abadi2016] 深度学习+DP
- [Geyer2017] FL中的DP
- 4.2 安全多方计算
- [Bonawitz2017] 安全聚合
- 4.3 同态加密
- [Hardy2017]
5. 攻击与防御（1500字）
- 5.1 投毒攻击
- [Bagdasaryan2020]
- 5.2 推理攻击
- [Nasr2019]
- 5.3 防御机制
- [Blanchard2017]
6. 应用与系统（1000字）
- 6.1 典型应用场景
- 6.2 开源框架对比
7. 未来展望与总结（500字）
文献覆盖统计
章节 预计引用数 引言 5 基础 8 优化 15 隐私 12 攻防 8 应用 5 总结 2 合计 55
第三步：让AI帮你写段落
请帮我写"3.2 非IID数据处理"这一节，要求：
1. 先说明非IID问题是什么
2. 介绍2-3个代表性方法
3. 对比分析
4. 正确引用文献AI 写出段落：
3.2 非IID数据处理
在实际应用中，各客户端的数据分布往往存在显著差异，即非独立同分布（Non-IID）问题。研究表明，数据异构性会导致联邦学习性能大幅下降，甚至无法收敛 [Zhao2018]。非IID问题主要表现为：标签分布不均、特征分布差异、以及数据量不平衡等。
FedProx [Li2020a] 是处理非IID问题的代表性工作。该方法在FedAvg的基础上增加了近端正则项，限制本地模型与全局模型的偏离程度。具体而言，FedProx的本地目标函数为：
$$\min_w F_k(w) + \frac{\mu}{2}||w - w^t||^2$$
其中 $\mu$ 为近端项系数。实验表明，FedProx在非IID场景下比FedAvg收敛更稳定。
SCAFFOLD [Karimireddy2020] 从方差缩减的角度解决非IID问题。该方法为每个客户端维护一个控制变量，用于修正本地梯度中的偏差。SCAFFOLD不仅理论收敛性更好，而且对数据异构性更鲁棒。
FedBN [Li2021] 发现批归一化（Batch Normalization）层是导致非IID性能下降的重要原因。该方法提出保持BN层在本地，不参与聚合，从而显著提升了非IID场景下的性能，同时几乎不增加通信开销。
表3.1总结了上述方法的对比：
方法 核心思想 通信开销 隐私影响 FedProx 近端正则化 不变 无 SCAFFOLD 方差缩减 2倍 无 FedBN 本地BN 减少 无 当前，非IID问题仍未得到根本解决，个性化联邦学习 [Fallah2020] 和聚类联邦学习 [Sattler2020] 是两个活跃的研究方向。
第四步：检查和完善
请帮我检查这段文献综述：
1. 是否有逻辑漏洞
2. 引用是否恰当
3. 表述是否准确
4. 如何改进AI 帮你检查并提供改进建议。
结果对比
| 指标 | 传统方式 | AI思维 |
|---|---|---|
| 写作时间 | 2-3周 | 4-5天 |
| 结构合理性 | 边写边改 | 先规划后写 |
| 文献覆盖 | 可能遗漏 | 系统梳理 |
| 逻辑连贯性 | 堆砌感 | 有主线 |
关键洞察
- 先建地图：对领域有全局认识再动笔
- 结构先行：确定好结构再写内容
- 重要文献优先：抓住里程碑论文
- 分块写作：让AI帮你写初稿，再修改
文献综述Prompt模板
我需要写[研究领域]的文献综述。
## 要求
- 字数：[要求]
- 时间范围：近[X]年
- 文献数量：[X]篇以上
请帮我：
1. 梳理领域的主要研究方向
2. 标出里程碑文献
3. 设计综述结构
4. 每部分的关键引用
[可选：请帮我写[具体章节]的内容]