本文提出了一种基于 UMAirComp 框架的的边缘联邦学习方式，该框架可利用模拟波束成形同时上传本地模型参数并更新全局模型参数，从而避免了复杂的基带信号处理，大大降低了通信延迟和实现成本。此外，还提出了一种面向非凸非光滑损失约束下的低复杂度大规模优化算法 PAM 和 AGP，并在基于 UMAirComp 框架的边缘联邦学习系统中获得较小的均方误差、训练损失和测试误差。最后，本文通过在车联网驾驶模拟平台中的测试表明，UMAirComp 系统对于自主驾驶任务比其他任务更加敏感由于自主行驶的神经网络包含更加稀疏的模型参数。

Jan, 2021

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

基于大型语言模型的联邦学习方法，在无线网络中解决了隐私和安全保护机制不足的问题，并通过两种个性化无线联邦微调方法实现了低通信开销。

Apr, 2024

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

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

通过提出的机器学习模型联邦学习（FL），本文讨论了机器学习在无线通信中的重要性，并强调 FL 在未来移动网络中，尤其是 6G 及以上的关键作用。

Aug, 2023

本文研究了无线通信网络上联邦学习中的延迟最小化问题，提出了一种基于二分搜索算法的优化方案，模拟实验表明所提出的算法相比传统的联邦学习方法可以将延迟降低了 27.3%。

Jul, 2020

通过提出一种半联合学习（SemiFL）范式，将基站（BS）和设备的计算能力结合起来，实现集中式学习（CL）和联邦学习（FL）的混合实施。通过设计一种新颖的收发器结构，将空中计算和非正交多址接入应用于聚合和传输，提高了通信效率，并证明了 FL 和 CL 是 SemiFL 的特例。然后，通过联合优化发送功率和接收波束形成器来减小最优性差距，并提供了解析解。两个真实数据集上的广泛模拟实验结果证实了我们的理论分析，并显示相比于最先进的基准，所提出的 SemiFL 在 MNIST 数据集上取得了 3.2% 的准确度提高。

Oct, 2023

通过联邦学习解决异步模式下的执行阻塞问题，提出利用概率选择客户端和带宽分配来优化异步联邦学习的收敛速度和移动能源消耗的问题，并通过实验验证了该方法的优越性。

Nov, 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