本研究提出一种灵活的通信压缩控制方案，使得现代移动终端设备能够更加高效的参与大规模移动边缘设备的联合学习，进而在不影响学习性能的前提下节约能量消耗。

Dec, 2020

人工智能在下一代无线系统（如第六代（6G）移动网络）中发挥重要作用，但在训练 AI 模型和从分布式设备中获取智能和知识时，需要解决的关键挑战包括大量的数据、能源消耗、训练复杂性和敏感数据保护。联邦学习作为最近出现的框架，为多个学习代理构建准确而稳健的机器学习模型提供了有希望的方法，同时不共享原始数据。联邦学习通过允许移动设备协同学习全局模型而不显式共享训练数据，展示了高隐私性和高效的频谱利用。本文的主要目标是全面介绍联邦学习的可用性，以提高移动服务的质量，并支持支持新的用例。本文通过检查在协议堆栈的各个级别上实施联邦学习的附加价值，展示了联邦学习在改进协议堆栈和无线操作方面的重要性。此外，它给出了重要的联邦学习应用，讨论了热门话题，并为未来的研究和发展提供了宝贵的见解和指导。我们的结论旨在发挥联邦学习和未来 6G 之间的协同作用，同时强调联邦学习在颠覆无线行业和支持前沿移动服务发展中的潜力。

Dec, 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

本研究分析了现有的移动设备联邦学习方案的挑战，并提出了一种新的交叉设备联邦学习框架，它利用匿名通信技术和环签名来保护参与者的隐私，同时降低了移动设备参与 FL 的计算开销，此外，我们的方案实现了一种基于贡献的激励机制来鼓励移动用户参与联邦学习，最后，我们给出了所提出方案的性能评估和讨论了联邦学习中的一些开放问题。

Apr, 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

本文提出了基于 M-AirComp 的联邦学习多位计算方法及移动设备的能量高效设计，旨在解决联邦学习在移动设备上更新梯度导致的频繁无线更新和能量消耗问题。经过大量仿真实验，相比之前的方法，我们的方案在频谱利用，能量效率和学习准确率方面优于现有方案。

Aug, 2022

通过网络设计和资源编排的两个方面讨论了实现可扩展无线联邦学习的挑战和解决方案，并提出了三种面向任务的学习算法来提高算法的可扩展性，实现对无线联邦学习的计算高效资源分配。

Oct, 2023

研究了基于无线通信网络的联邦学习中的能源有效传输和计算资源分配问题，并提出了一种迭代算法，以解决此优化问题，并通过数值结果表明了该算法相对于传统 FL 方法可将能源消耗降低高达 59.5％。

Nov, 2019

该研究论文探讨在 6G 无线电信网络中采用联邦学习技术的应用，主要关注于联邦学习在无线通信中的挑战与问题，以及如何实现该技术。

Jan, 2021

本文提出了一种基于联邦学习的网络架构，旨在通过分布式人工智能解决 6G 中的一些新挑战，包括应用 AI 于无线网络的困难，以及跨异构设备实现分布式 AI 的困难。

Apr, 2020