这篇论文介绍了一种完全分布式的联邦学习算法，该算法的优点在于避免了数据披露并具有扩展性商用前景，可以在包括物联网设备在内的网络中使用。

Dec, 2019

提出了一种叫做联邦学习的分散式学习结构，该结构可以在物联网设备中实现机器学习，通过处理来自不同客户端的数据，以预测未来事件。此方法可解决传统机器学习中遇到的通信开销、隐私泄露和安全性等问题，同时也避免了中央服务器的使用。本文讨论了在客户端资源有限的情况下实施联邦学习的挑战和应用。

Feb, 2020

本文提出了一种基于设备采样和设备到设备卸载组合优化的联邦学习优化算法，通过优化采样节点和数据卸载配置来最大化FedL训练的准确性，有效提高了训练模型的准确性和资源利用率。

Jan, 2021

本文介绍了一种On-Demand-FL的客户端部署方法，使用容器化技术来利用物联网和移动设备作为志愿者，使用Kubernetes进行协调。在移动数据挑战（MDC）数据集和Localfed框架上进行的实验说明了所提出方法的相关性以及在需要时实现客户端的即时部署的效率，能减少废弃回合并提供更多可用的数据。

Nov, 2022

本文通过在大量物联网和边缘设备网络上系统地进行广泛实验，重点关注异构情况，以探究在设备上实施联合学习的可行性，并呈现了其现实世界的特征，包括学习性能和操作成本，为研究人员和从业者提供有价值的见解，促进联邦学习的实用性，并帮助改进现有的联邦学习系统设计。

May, 2023

随着越来越多的物联网设备在现场部署，将神经网络的训练卸载到中央服务器变得越来越不可行，本文调查了联合学习在克服异构性挑战方面的应用和益处。

Jul, 2023

通过对资源受限物联网环境中实施联邦学习的挑战和解决方案的综合调研，从客户端和服务器两个层面上，关注有限的客户端资源、异构客户端数据的存在、服务器容量和高通信成本等问题，并评估它们在各种场景中的有效性。此外，基于应用位置（即物联网客户端和联邦学习服务器），本文还提出了新的评估指标，以允许研究人员在资源受限的物联网设备上评估其解决方案。

Aug, 2023

通过智能设备采样和设备之间的数据卸载，优化联邦学习的训练准确性以及数据处理和设备通信资源的消耗。通过图卷积网络学习网络属性、采样节点和设备之间的数据卸载之间的关系，该方法优于现有的文献中的设备采样方法。

Nov, 2023

个性化联邦学习中，采用较小规模的本地子模型的联邦丢弃策略会引入偏差，因此我们提出了联邦学习与随机参数更新的方法，通过冻结部分神经元来增强模型对于他人偏差参数的鲁棒性，并引入早停机制来显著减少训练时间。

Mar, 2024

在工业物联网中，由于隐私和安全问题，很难将大量数据集中到一起训练深度学习模型，因此联邦学习，一种保护数据隐私的分布式机器学习范式，在物联网中得到广泛应用。然而，在实际的联邦学习中，数据分布通常在设备之间存在较大差异，数据的异构性将对模型的性能产生不利影响。此外，物联网中的联邦学习通常涉及大量设备的训练，而云服务器的通信资源有限成为训练的瓶颈。为了解决上述问题，本文将集中式联邦学习与分散式联邦学习相结合，设计了一种半分散式边缘云设备层次化联邦学习框架，可以缓解数据异构性的影响，并且能够在物联网中大规模部署。为了解决数据异构性的影响，我们在每个环状集群中使用了增量次梯度优化算法来改善环状集群模型的泛化能力。我们的大量实验证明，我们的方法可以有效缓解数据异构性的影响，并减轻云服务器中的通信瓶颈。

Mar, 2024