本文提出使用不同边缘设备间通过通信链接共享数据样本的新设备到设备的数据共享方法，在此设置下，优化了无线电资源分配以减少训练时延，并在数据样本在边缘设备之间非独立且非同分布时增加了训练精度。

Jan, 2020

本文章展示了博弈论模型在 D2D 通信资源分配问题中的应用，并概述了一些重要的开放性研究方向。

Mar, 2014

本文研究了在未来移动网络中，由于自主异构设备的数量不断增加，需要一种有效的资源分配方案来最大化网络吞吐量和实现更高的频谱效率。通过构建优化问题，本文考察了网络集成的设备对设备（D2D）通信，在其中 D2D 流量通过中继节点传输。数值结果表明：当与 D2D 对等方之间的直接通信距离超出一个距离阈值时，中继辅助 D2D 通信显著提高了网络性能，从而最大化端到端传输速率以及基于总功率约束下蜂窝和 D2D 用户设备的转化 QoS 要求。

Nov, 2013

本文对 D2D 通信中的资源分配问题进行了研究，提出了一种鲁棒的分布式方案，以最大化网络总速率，并利用机会约束方法在鲁棒性和最优性之间实现权衡。数值结果表明，距离阈值可以明显地改善网络性能。

Jan, 2014

本文介绍了一个用于蜂窝网络下的组播设备对设备通信资源分配的框架，主要通过混合整数非线性规划来解决干扰问题和优化资源利用效率，提供了贪心算法和启发式算法来优化研究结果。

Mar, 2015

本论文提出了一种基于深度学习的移动边缘计算系统，旨在通过优化用户关联、资源分配和卸载概率来最小化归一化能量消耗，并考虑服务质量要求。仿真结果表明，相比现有方法，我们的方法可以实现更低的归一化能量消耗，并具有更少的计算复杂度。

Jun, 2019

通过智能设备采样和设备之间的数据卸载，优化联邦学习的训练准确性以及数据处理和设备通信资源的消耗。通过图卷积网络学习网络属性、采样节点和设备之间的数据卸载之间的关系，该方法优于现有的文献中的设备采样方法。

Nov, 2023

本文提出了基于随机几何的随机网络模型，开发了集中式和分布式功率控制算法，以确保蜂窝用户具有足够的覆盖概率，并尝试支持尽可能多的 D2D 链接，同时限制 D2D 用户产生的干扰。数值结果显示了所提出的功率控制算法的增益和分析结果的准确性。

May, 2013

该论文提出了一个基于定价的干扰管理框架，其中基站通过定价来保护其自身（或其服务的蜂窝用户）免受 D2D 用户引起的干扰，开发了两种最优算法和一个次优算法用于干扰管理、功率调配和定价，通过广泛的仿真验证了这个框架。

Nov, 2016

提出了 Edgent，这是一种协作和按需的 DNN 合作推理框架，其旨在通过在设备和边缘之间自适应地分配 DNN 计算来提高实时 DNN 推理的性能，并通过在适当的中间 DNN 层进行早期退出来加速 DNN 推理。

Jun, 2018