本篇论文中，我们介绍了一种基于移动边缘计算，利用分布式客户端数据和计算资源进行高性能机器学习模型训练的框架，该框架扩展了联邦学习的分布式学习框架，以实现与实际基于蜂窝网络的异构客户端的协作；我们的新 FL 协议（FedCS）通过解决具有资源限制的客户端选择问题来提高训练效率，在公开可用的大规模图像数据集上进行实验，实验结果表明，与原始 FL 协议相比，FedCS 能够在显著缩短的时间内完成训练。

Apr, 2018

本文设计了一种称为 HybridFL 的多层联邦学习协议，该协议结合了边缘节点和云端两层不同的模型聚合策略，并使用概率方法在不确定的末端设备状态下通过区域弹性因子来选择客户端，实验证明了该协议在不同规模的 MEC 系统中显著提高了 FL 训练过程的效率，缩短了联邦轮次长度，加速了全局模型的收敛速度（最多快 12 倍），并降低了末端设备的能耗（最多降低 58%）。

Jul, 2020

本篇论文研究了一个多用户缓存辅助移动边缘计算系统中通信、缓存和计算的联合设计，提出了一种联合缓存和卸载机制，以及优化存储资源的能量最小化问题。数值结果表明，所提出的次优解法优于现有比较方案。

Aug, 2017

本文考虑一种基于 OFDMA 的多用户和多 MEC 服务器系统，联合研究任务卸载策略和无线资源分配，通过双层优化方法，将原始 NP 困难问题解耦为下层问题和上层任务卸载问题，通过模拟结果表明，与传统方案相比，所提出的算法在节能和成功卸载概率方面具有出色的性能。

Mar, 2018

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

本文提出了一种在线联合无线电和计算资源管理算法，用于多用户 MEC 系统，旨在最小化移动设备和 MEC 服务器的长期平均加权和功耗，同时满足任务缓冲稳定性约束。具体来说，我们在每个时隙中获取移动设备的最佳 CPU 周期频率，并使用 Gauss-Seidel 方法确定计算卸载的最佳传输功率和带宽分配；对于 MEC 服务器，推导出 CPU 核心的最佳频率和最佳 MEC 服务器调度决策。此外，提出了一个延迟改进机制来降低执行延迟。

Feb, 2017

通过无线网络实现联邦学习，并使用基于深度强化学习的方法来进行边缘关联，以提高精度和降低能耗，进而实现成本效益的个性化联邦学习。

Feb, 2022

本文介绍了联邦学习技术与移动边缘计算的应用，讨论了在大规模和复杂的移动边缘网络中实现联邦学习所面临的挑战以及现有解决方案，探讨了联邦学习在移动边缘网络优化中的应用，以及未来的研究方向与挑战，包括保护隐私与安全。

Sep, 2019

本文主要解决采用联邦学习模型时，如何通过控制工作负载分配，最小化异构设备上的能源消耗问题。作者提出了一种基于伪多项式的最优解决方案，并针对单调递增的情况提出了四种算法。

Sep, 2022

本文评估了 FLchain 在 MEC 网络中的机会，提出了几个主要问题，包括通信成本、资源配置、激励机制、安全和隐私保护。 我们介绍了 FLchain 设计的关键解决方案，并探讨了在流行的 MEC 领域中应用 FLchain 的应用。 同时，本文也指出了重要的研究挑战和未来方向。

Apr, 2021