该论文提出了一种低延迟多接入方案，利用模拟聚合和多接入通道的叠加特性，实现了快速聚合模型的更新并使边缘学习具有更好的性能表现和低延迟。

Dec, 2018

本文研究边缘设备协作学习中的无线联邦学习，其中利用无线接入点作为参数服务器，使用 “over-the-air” 聚合方案实现全局模型的积极性和设备间的协作，通过使用接收波束成形方案来补偿缺乏完美信道状态信息带来的破坏效应，证明该算法在具有足够天线数量的情况下可以改善其性能。

Oct, 2020

基于群集数据共享的联邦边缘学习 (FEEL) 是为 6G 超连接而出现的分布式机器学习范式，通过保护数据隐私，利用物联网设备的数据。为了解决 FEEL 中的统计不平衡问题，我们引入了一个集群数据共享框架，通过辅助多播来选择性地从集群头部共享部分数据给可信合作伙伴，以缓解数据异质性。所提出的框架在有限的通信环境中，能够在非独立和非齐分布的数据集上实现更快的收敛速度和更高的模型准确性。

Jun, 2024

本研究提出了一种数字无线计算方案，用于实现联合边缘学习的连续值（模拟量）聚合，利用该方案对局部随机梯度进行编码，通过非相干接收机和自适应绝对最大值的概念，实现了优异的测试准确度。

Oct, 2022

本文研究在量化的联邦边缘学习系统中，通过使用随机量化方案来压缩上传的梯度向量，从而减少每轮通信的负担，但代价是增加通信轮数，探索最小化训练时间的问题，并提出了一种基于数据和模型驱动的拟合方法与基于暴力搜索的交替优化算法来实现总带宽约束下的联合量化级别和带宽分配优化问题。

Dec, 2021

研究了 Air-FEEL 系统中的传输功率控制，通过最大化收敛速度的方法优化功率控制策略，并使用拉格朗日对偶方法得到了优化解，结果表明该策略比传统策略实现了更快的收敛速度。

Jun, 2021

本文提出了一种使用 AirComp 方案的半异步聚合 FEEL 机制 (PAOTA)，以提高 FEEL 系统的训练效率，并通过模拟结果表明，相对于理想的本地 SGD 和 AirComp 的同步 FEEL 算法，PAOTA 在达到相同目标精度时所需的训练时间更短且收敛性能接近于本地 SGD。

May, 2023

这篇论文介绍了一种名为 FEDMEGA 的针对低地球轨道卫星网络的新型 FEEL 算法，通过整合卫星间链接和全网模型聚合方案，提高了传输效率，实现了大约 30% 的收敛速度提升。

Apr, 2024

我们的工作针对数据异构性和噪声通道的情况，在拓扑感知的边缘学习中提出了一种信息论泛化分析，并提出了一种名为联合全局互信息缩减（FedGMIR）的新型正则化方法，通过数值结果验证了这种方法的有效性。

Oct, 2023

本文探讨了能够满足数据隐私保护的联邦边缘学习框架 (FEEL)。通过在边缘设备上进行本地模型训练并与全局模型在服务器上进行协调，实现了边缘设备上的学习算法。为了减少设备的能耗，在保证学习性能的基础上，我们提出了一些节能策略，并且根据设备的信道状态和计算能力分配带宽和安排时间表。与传统的速率最大化设计相比，我们的优化策略为弱信道和计算能力较差的设备分配更多的带宽，以确保 FEEL 中模型的同步更新。同时，为了提高学习性能，我们也设计出一个移动策略以给予更好信道和计算能力的设备更高的优先级。实验结果表明，我们提出的策略在节能方面有显著的提升。

Jul, 2019