本文研究联邦学习应用于基站聚合 LTE 数据的时序预测的有效性。我们使用 5 种不同的神经网络架构在联邦设置下进行一步预测，结果表明：适应联邦设置的学习架构与集中式设置具有相当的预测误差，基站的预处理技术导致更高的预测准确性，而现代聚合器并不比简单的方法好。

Nov, 2022

通过提出一个可评估机器学习模型可行性的新方法，本文在实际基站测量的基础上，对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估，发现较大的机器学习模型在性能上略有提升，但在碳足迹方面产生了显著的环境影响，使其在实际应用中不切实际。

Sep, 2023

本文提出了一种用于交通状态估计（TSE）的隐私保护数据融合方法，该方法可以解决多个数据所有者之间的协作和数据共享中出现的数据隐私问题，并通过垂直联邦学习（FL）和保护隐私的物理信息 FL 方法实现了协作训练和应用 TSE 模型而无需交换私有数据。实证结果表明，提出的方法能够在保护隐私的同时保持与不考虑隐私的标准方法类似的准确性。

Jan, 2024

本文研究在联邦学习中，使用差分隐私和社区驱动方法来保障本地数据隐私，识别了一个安全漏洞并设计了两种攻击模式，Adversarial Mode 和 Backdoor Mode，实验结果表明这些攻击是有效的。

May, 2023

为了确保自动驾驶车辆和高级驾驶辅助系统能在复杂交通情景下安全高效地导航，预测周围交通参与方的未来边界框至关重要。本文介绍了一种新颖的编码 - 解码体系结构，即 Fusion-Gated Recurrent Unit（Fusion-GRU）网络，用于未来边界框定位。该方法考虑了面向自车视角的目标交通参与方未来位置和尺度的复杂相互作用，并引入了一个中介估计器和自注意力聚合层来学习长期预测的时序依赖关系。在 ROL 和 HEV-I 两个公开数据集上对该方法进行了评估，实验结果展示了 Fusion-GRU 的良好性能，证明了其在预测交通参与方未来边界框方面的有效性。

Aug, 2023

通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。

Mar, 2017

本文提出了一个基于 Gated Recurrent Unit (GRU) 的联合持续学习 (GFCL) 异常检测框架，针对 Sybil 攻击对 IoV 的安全问题进行了研究，使用了实际的车辆轨迹数据，结果表明我们提出的解决方案具有良好的效果。

Apr, 2022

利用 Federated Learning and Asynchronous Graph Convolutional Network (FLAGCN) 模型的异步图卷积和联邦学习原则，通过空间 - 时间图卷积技术有效地异步处理了交通数据的时空依赖关系，提高了实时交通流预测的准确性和效率。FLAGCN 在两个不同的交通数据集上测试的实验结果表明，相比于现有最佳模型，FLAGCN 在减少均方根误差 (RMSE) 方面提高了约 6.85%，在平均百分比绝对误差 (MAPE) 方面提高了约 20.45%，同时实现了训练和推理时间的优化。

Jan, 2024

本篇论文提出了一种有效的联邦学习框架，用于保护隐私的新闻推荐，通过在服务器上维护一个大的新闻模型和在服务器和客户端共享的轻量级用户模型来分解新闻推荐模型，实现了客户端的计算和通信成本的降低，并通过隐私保护的安全聚合方法对梯度进行聚合。

Sep, 2021

物联网网络和数据处理技术的发展对分布式学习方法中的联邦学习具有巨大潜力，本论文通过两个实例展示了联邦学习在物联网网络中实现高效和保护隐私的机器学习的潜力，并通过模拟研究了隐私和准确性之间的权衡关系。

Dec, 2023