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

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

研究了在现实无线网络上训练联邦学习算法的问题，提出了一种联合学习、无线资源分配和用户选择的优化问题，并获得了期望收敛速率的闭式表达式，从而实现最小化 FL 损失函数的最优用户选择和上行资源块分配。

Sep, 2019

本文提出了一种联合客户端调度和资源块分配策略，通过利用高斯过程回归（GPR）的无线信道预测方法和 Lyapunov 优化框架，可以减少在不完美信道情况下联邦学习（FL）的准确性损失。通过数值模拟，在完美和不完美 CSI 下，实验表明该方法可以将准确性损失降低到 25.8％以下，相对于现有的客户端调度和 RB 分配方法的优化效果得到了很好的验证。

Feb, 2020

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

通过将学习模型分为全局部分和个性化部分，以实现模型剪枝和个性化，本文提出了一种解决异构设备数据、计算和通信延迟以及非独立同分布数据的联邦学习框架，并通过数学分析研究了其收敛性、计算和通信延迟，并最终通过优化问题得到了剪枝比例和无线资源分配的闭式解。实验结果表明，相比只进行模型个性化的方案，该框架能够显著减少约 50％的计算和通信延迟。

Sep, 2023

本文提出了一种应用于多个下游任务的异步模型传输的联邦学习方法，通过引入调度张量来表征设备调度，并通过收敛性分析探究了资源分配、设备调度和个体模型状态等对机器学习性能的影响，进而通过非凸混合整数优化问题来调整资源分配和设备调度，以在能量消耗和性能之间达到高效平衡，并通过数值模拟揭示了该方法在模型性能和网络资源节约方面的优势。

May, 2023

本文针对数据异构性与无线资源分配相结合的无线联邦学习问题，提出了性能分析与优化的方法，在考虑数据异构性的同时，优化客户端调度、资源分配和本地训练轮数，通过实验验证了该算法在学习准确性和能量消耗方面的优势。

Aug, 2023

本文旨在将联邦学习引入未来无线网络的设计中，为了在移动设备上进行能源高效的联邦学习提出了一种新颖的无线传输和权重量化的联合设计方法。通过建立混合整数规划问题，制定了灵活的权重量化计划，以最小化所有移动设备的联邦学习总能耗（计算 + 传输），同时保证模型性能和训练延迟。通过大量的模拟实验，验证了该方案的有效性。

Dec, 2020