本文介绍了联邦学习在物联网应用中的先进发展，提出了一系列度量标准以进行严格评估，设计出了物联网网络上的联邦学习分类法，并提出了比联邦学习更好的隐私保护的分散联邦学习的两种用例，最后提出了一些开放性研究挑战和可能的解决方案。

Sep, 2020

本文提出了一种基于云边架构的个性化联邦学习框架，以解决在物联网环境下的设备、统计和模型异构性，能够为智能物联网应用提供高效时延和低延迟的处理能力，并使用人类活动识别案例研究证明了个性化联邦学习在智能物联网应用中的有效性。

Feb, 2020

提出了一种叫做联邦学习的分散式学习结构，该结构可以在物联网设备中实现机器学习，通过处理来自不同客户端的数据，以预测未来事件。此方法可解决传统机器学习中遇到的通信开销、隐私泄露和安全性等问题，同时也避免了中央服务器的使用。本文讨论了在客户端资源有限的情况下实施联邦学习的挑战和应用。

Feb, 2020

通过对资源受限物联网环境中实施联邦学习的挑战和解决方案的综合调研，从客户端和服务器两个层面上，关注有限的客户端资源、异构客户端数据的存在、服务器容量和高通信成本等问题，并评估它们在各种场景中的有效性。此外，基于应用位置（即物联网客户端和联邦学习服务器），本文还提出了新的评估指标，以允许研究人员在资源受限的物联网设备上评估其解决方案。

Aug, 2023

本文主要研究在边缘计算环境中使用分布式梯度下降学习模型参数的问题，提出控制算法以最小化给定资源预算下的损失函数，并通过真实数据集的大量实验评估算法性能。

Apr, 2018

提出了一种基于联邦元学习的平台辅助协作学习框架，用于解决物联网边缘节点受限计算资源和数据局限性的问题，并实现了针对边缘目标节点的快速任务适应。此外，还提出了基于分布式鲁棒优化的鲁棒性联邦元学习算法，并在数据集上展示了其有效性。

Jan, 2020

本文提出了一种新的框架，叫做联合边缘智能（FEI），以评估物联网网络的能量成本和边缘服务器的本地数据处理能力，从而使边缘服务器适时地请求足够训练令人满意的模型所需的数据。同时，本文引入了映射函数来评估边缘服务器的计算负载，最后采用基于 ADMM 的方法来优化物联网网络的能量成本和边缘服务器的平均计算资源利用率。该文证明，所提出的算法不会泄露任何数据，也不会泄漏物联网网络的拓扑信息。仿真结果表明，FEI 框架可以在有限的牺牲模型收敛性能的情况下，显著提高物联网网络和边缘服务器的资源效率。

Nov, 2020

本文研究如何通过三个方面的优化措施 —— 激励机制设计、网络资源管理和个性化模型优化，有效解决分布式人工智能范例中面临的系统和统计异构挑战，从而实现对第六代网络中亿万智能物联网设备所产生数据的联合学习和隐私保护。

Mar, 2023

本文通过在大量物联网和边缘设备网络上系统地进行广泛实验，重点关注异构情况，以探究在设备上实施联合学习的可行性，并呈现了其现实世界的特征，包括学习性能和操作成本，为研究人员和从业者提供有价值的见解，促进联邦学习的实用性，并帮助改进现有的联邦学习系统设计。

May, 2023

本文提出了一个分布式联邦学习框架，使用区块链实现去中心化方案，将云端架构转移到边缘，实现 IoT 设备上的神经网络训练，解决医疗数据隐私和医疗设备缺乏数据的问题，同时实现网络模型的分布式训练。

Apr, 2023