本文提出了一种数字宽带聚合方案，称为单比特数字宽带聚合（OBDA），用以解决多设备使用同一通信媒介所带来的通信瓶颈问题，并对其在无线信道干扰下的收敛速率进行综合分析。

Jan, 2020

通过动态调度和资源分配算法解决异构数据和时间变化目标函数下，在长期能量限制条件下，流式数据随机生成和资源可用性的固有随机性，并通过仿真结果验证了所提出方案相对于基准方案的学习性能和能效的提高。

May, 2024

通过联合优化资源分配和数据选择，本文介绍了一种有效的联邦边缘学习系统，通过建模和推导 FEEL 的一轮收敛速度上限，将原始问题转化为两个子问题：资源分配问题和数据选择问题，并使用匹配理论和梯度投影方法提出了低复杂度次优算法来解决。通过数值结果验证了该方案的优越性。

Jul, 2024

该论文提出了一种低延迟多接入方案，利用模拟聚合和多接入通道的叠加特性，实现了快速聚合模型的更新并使边缘学习具有更好的性能表现和低延迟。

Dec, 2018

本文探讨了能够满足数据隐私保护的联邦边缘学习框架 (FEEL)。通过在边缘设备上进行本地模型训练并与全局模型在服务器上进行协调，实现了边缘设备上的学习算法。为了减少设备的能耗，在保证学习性能的基础上，我们提出了一些节能策略，并且根据设备的信道状态和计算能力分配带宽和安排时间表。与传统的速率最大化设计相比，我们的优化策略为弱信道和计算能力较差的设备分配更多的带宽，以确保 FEEL 中模型的同步更新。同时，为了提高学习性能，我们也设计出一个移动策略以给予更好信道和计算能力的设备更高的优先级。实验结果表明，我们提出的策略在节能方面有显著的提升。

Jul, 2019

本文旨在通过在上传之前对本地模型参数进行量化，最小化联邦学习的总收敛时间，以保证在所有全局轮次中的最小收敛时间。我们利用随机量化对 FL 算法的收敛性进行了收敛分析，同时综合优化了计算，通讯资源和量化比特数，以保证在所有全局轮次中的最小收敛时间，同时满足能源和量化误差的要求。我们对量化误差对收敛时间的影响进行了评估，并揭示了模型准确性与及时执行之间的平衡。此外，所提出的方法被证明与基线方案相比，可以加速收敛速度，并为量化误差容忍度的选择提供有用的见解。

Mar, 2022

基于时间效率的异步稀疏量化联邦学习（TEASQ-Fed）能够利用边缘设备异步参与训练过程，并通过控制参数选择适当数量的并行边缘设备，进一步通过缓存机制和基于模型陈旧程度的加权平均来提高准确性，同时利用稀疏化和量化的方法压缩中间数据以加速训练，实验结果显示 TEASQ-Fed 提高了准确性（高达 16.67%）且加快了模型训练（最多两倍速）。

Dec, 2023

本文研究了在边缘网络上进行 FEEL 的挑战和权衡，提出了一种数据感知调度的通用框架作为未来研究方向的指南，并讨论了数据评估的主要轴和要求以及一些可利用的技术和指标。

Aug, 2020

通过使用量化的综合方法，联合上下行适应性量化以减少通信开销，我们优化了学习收敛性，并通过确定最优的上行和下行量化位数进行了通信能量约束。实验结果表明，所提出的联合上行和下行适应性量化策略与现有方案相比，能够节省高达 66.7% 的能量。

Jun, 2024

在本文中，我们提出了一种基于 Lyapunov 优化框架的算法，用于设计一种动态调度策略，以最大化定期生成训练数据的用户集的时间平均数据重要性，并满足能源消耗和延迟约束，特别是在训练数据的生成具有强烈时间相关性的情况下明显优于其他方法的联邦边缘学习系统。

May, 2023