研究车联网中的超可靠低延迟通信的联合功率和资源分配（JPRA），提出一种基于联邦学习和 Lyapunov 优化的分布式方法来估计最大排队时间的极值事件，结果显示此方法可显著减少功耗和大队列长度的用户。

Jul, 2018

本文研究了在车辆之间网络中，基于曼哈顿机动性模型的功率最小化问题，同时考虑延迟和可靠性等二阶统计限制，最终提出了两种队列感知的功率分配方案，在降低队列最大长度的均值和方差方面取得了较优的结果。

Apr, 2018

本文提出了一种汽车边缘联合学习（VEFL）方案，其中边缘服务器利用高移动性的连接车辆（CV）的机载中央处理单元（CPU）和本地数据集来训练全局模型，并通过关于 CV 的训练模型成功接收的收敛分析来选择参数优化子问题。

Oct, 2022

本文旨在超越传统平均信息更新时间 (AoI) 的概念，通过捕捉 AoI 尾分布来表征和优化一种超可靠低延迟通信 (URLLC) 系统。本文通过提出一种特定于服务器的数据分配算法并应用极值理论和 Lyapunov 优化方法，优化传输时延和数据可靠性之间的折衷。仿真结果显示，在车辆数量为 80 且 VUE 对的数量增加时，相比于根据车辆最大队列长度设计的基线，该系统几乎将 AoI 分布的尾部缩短了一倍，随着 VUE 对的数量增加，性能提升显著。

Nov, 2018

在车联网（V2X）网络中，我们通过联邦强化学习（FRL）框架探索资源分配，并使用非精确交替方向乘子法（ADMM）实现了算法 PASM，在 V2X 网络中解决资源分配问题，并与基线方法进行了比较。

Oct, 2023

研究了在现实无线网络上训练联邦学习算法的问题，提出了一种联合学习、无线资源分配和用户选择的优化问题，并获得了期望收敛速率的闭式表达式，从而实现最小化 FL 损失函数的最优用户选择和上行资源块分配。

Sep, 2019

本文提出了一种新的数据驱动方法，可为干扰限制的无线网络上的联邦学习分配传输功率，使用图卷积网络来参数化功率分配策略，并通过 primacy-dual 算法求解相关的约束优化问题，从而实现优化 FL 过程中服务端接收到的信息，最终提高全局 FL 模型的准确性和效率。

Apr, 2023

利用车辆的计算和感知能力，本文提出了一种车辆联邦学习（VFL）算法，通过直接车对车（V2V）通信增强 VFL 训练效率，并考虑能量限制和车辆的移动性问题来优化 VFL 训练性能。通过导数漂移加罚方法将长期随机优化问题转化为在线混合整数非线性规划（MINLP）问题，并通过理论分析来衡量在线解和离线最优解之间的性能差距。通过对调度优先级的进一步分析，将原始问题简化为一组凸优化问题，并使用内点法有效求解。实验结果表明，与现有基准相比，所提出的算法将 CIFAR-10 数据集上的图像分类准确度提高了 3.18％，并将 Argoverse 轨迹预测数据集上的平均位移误差降低了 10.21％。

Jun, 2024

本文研究了细胞 V2X 通信的传输模式选择和资源分配问题，将其制定为马尔可夫决策过程，提出了基于深度增强学习的去中心化算法，同时开发了基于图论的车辆聚类算法和分布式学习算法。实验结果表明，所提出的算法优于其他分布式基线算法，并验证了两个时间尺度的联邦 DRL 算法在新激活的 V2V 对中的优越性。

Feb, 2020

本文提出了一种利用分布式联邦学习算法实现无人机群体中集中式机器学习的新框架并对其进行了收敛性分析，同时，提出了一种联合功率分配和调度设计来优化联邦学习的收敛速率，同时考虑了能量消耗和延迟要求。仿真结果验证了 FL 收敛分析的有效性，并表明联合设计策略可以将收敛所需通信轮数比基准设计减少 35％。

Feb, 2020