提出了一种结合更新年龄（Age of Update）概念和数据 Shapley 指标的调度策略，以提高联邦学习的运行效率。该算法简单且通过模拟验证了其有效性。

Dec, 2023

本文提出了一种异步 FL 框架，其采用定期聚合的方式消除了 FL 系统中的问题，并设计出多种装置调度和更新聚合策略以解决异构计算能力和训练数据分布的设备问题。通过模拟结果，我们得出结论，异步 FL 的调度和聚合设计可以不同于同步情况，并且适当的 “年龄感知” 加权设计可以极大地提高此类系统的学习性能。

Jul, 2021

本文基于一个分析模型，研究了联邦学习在无线网络中的性能表现和调度策略，并发现在高信噪比下使用比例公平调度策略会比随机调度和轮询调度策略更有效，而在低信噪比下轮询调度策略更为可取。同时发现了更新参数的压缩和量化在提高联邦学习收敛速度方面的重要性，并揭示了在可用频谱量不变的情况下调度的用户数和子信道带宽之间的权衡关系。

Aug, 2019

联邦学习是一种高效的分布式机器学习方法，通过用户端的迭代本地模型训练和中央服务器端的全局模型聚合，保护用户的隐私。然而，现有的工作只研究了静态场景或用户位置的随机初始化，未能捕捉到真实网络中的用户移动。为了解决这个问题，在联邦学习中引入了用户的移动模型，并开发了一种用户调度和资源分配方法，以减小由于通信资源有限而带来的训练延迟。模拟结果表明，所提出的算法相比最先进的基线算法具有更好的性能，一定程度的用户移动可以提高训练性能。

Jul, 2023

本文以联邦学习为背景，提出一种联合带宽分配和设备调度问题的解决方案，该方案通过一个贪心算法和运行时间预算中定向分配宽带的优化模型实现，从而在模型精度和训练时间预算方面实现了最好的性能表现。

Nov, 2019

本研究提出一种名为 PO-FL 的概率设备调度框架，以缓解通道噪声的负面影响，在模型对聚合过程中使用该概率重量进行重新加权，通过经验分析得出结论：设备调度通过通信失真和全局更新方差影响学习性能。通过基于收敛性分析，进一步开发了基于渠道和梯度重要性感知的算法，以优化 PO-FL 中的设备调度概率。广泛的仿真结果表明，基于渠道和梯度重要性感知的 PO-FL 框架可以实现更快的收敛速度，并产生优于基准方法的模型。

May, 2023

本研究探讨了在带宽受限的无线通道中，通过设计新的调度和资源分配策略，决定在每次迭代中要传输哪些设备的本地模型更新，并考虑到局部模型更新的重要性，实现联邦学习算法的收敛性和长期性能的优化。

Jan, 2020

通过提出的机器学习模型联邦学习（FL），本文讨论了机器学习在无线通信中的重要性，并强调 FL 在未来移动网络中，尤其是 6G 及以上的关键作用。

Aug, 2023

通过引入信息版本年龄 (VAoI) 的概念，将其纳入客户端调度策略以最小化平均信息版本年龄，以缓解过时的本地更新的影响并增强联邦学习系统的稳定性。

Feb, 2024

本研究提出了一个新颖的多工作联邦学习框架，通过智能调度方法实现了分散数据的并行训练过程，实验证明相比基线方法，其训练时间更快（最高可达 12.73 倍）且准确率更高（最高 46.4%）。

Nov, 2022