本文提出了一种新颖的联合传输功率和资源分配方法，旨在实现在车联网中实现超可靠低延迟通信（URLLC），方法采用极端值理论来定义可靠性指标，并利用联邦学习技术，在保证车辆用户（VUEs）的高可靠性的情况下，最小化 VUEs 的网络广泛功耗。

May, 2018

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

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

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

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

这篇文章讲述了通过学习统计学模型以实现可靠传输，通过三个关键组成部分：信道模型选择、从样本中学习模型以及选择适当的传输率来满足要求的可靠性。

Sep, 2018

本文研究了如何在车联网中实现预测服务质量（PQoS）的目标，通过强化学习代理设计来实现 PQoS。通过中心化，完全分布式和联邦学习等不同的学习方案，我们证明了去中心化学习和尤其是联邦学习在收敛时间和可靠性之间具有良好的权衡，这对隐私和复杂性方面具有积极的影响，并且在低延迟和可靠性的限制下确定了发送车载数据的最佳压缩级别。

Feb, 2023

本研究论文探讨了如何将数据驱动的深度学习和深度强化学习应用于未来 6G 网络中的 URLLC，构建了一种多层次架构，并采用迁移学习和联合学习等方法来提高网络延迟和可靠性

Feb, 2020