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

通过联合优化资源分配和数据选择，本文介绍了一种有效的联邦边缘学习系统，通过建模和推导 FEEL 的一轮收敛速度上限，将原始问题转化为两个子问题：资源分配问题和数据选择问题，并使用匹配理论和梯度投影方法提出了低复杂度次优算法来解决。通过数值结果验证了该方案的优越性。

Jul, 2024

通过动态调度和资源分配算法解决异构数据和时间变化目标函数下，在长期能量限制条件下，流式数据随机生成和资源可用性的固有随机性，并通过仿真结果验证了所提出方案相对于基准方案的学习性能和能效的提高。

May, 2024

本文研究了在边缘网络上进行 FEEL 的挑战和权衡，提出了一种数据感知调度的通用框架作为未来研究方向的指南，并讨论了数据评估的主要轴和要求以及一些可利用的技术和指标。

Aug, 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

在本文中，我们提出了一种能够减少总时间消耗和移动设备能量消耗的能量感知资源管理策略，同时考虑到移动设备的能量限制，将问题重新架构为广义 Nash 平衡问题，分析了数据集卸载和计算资源分配对模型训练损失、时间和能量消耗的影响。

Jan, 2021

研究使用梯度稀疏化和周期性平均的分层联邦学习框架，来在异构蜂窝网络中实现协作机器学习任务。结果表明，该方案可以显着降低通信延迟且不会减少模型精度。

Sep, 2019

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

本文提出了一种基于无线传感的、人体运动识别的具体案例研究，通过联合优化无人机部署、综合感知、计算和通信资源，解决 FEEL 的联邦学习问题。

Jun, 2023

在本文中，我们提出了一种基于 Lyapunov 优化框架的算法，用于设计一种动态调度策略，以最大化定期生成训练数据的用户集的时间平均数据重要性，并满足能源消耗和延迟约束，特别是在训练数据的生成具有强烈时间相关性的情况下明显优于其他方法的联邦边缘学习系统。

May, 2023