本文研究了联邦学习在上行和下行通信错误方面的鲁棒性，理论分析表明鲁棒性取决于客户端数量和模型参数的数值范围，并提出了一个公式量化了上行通信能容忍的比特错误率（BER）高于下行通信的差异。通过大量实验证实了这些发现和理论分析。

Oct, 2023

本研究旨在回答联邦学习在上下行通信均存在错误的情况下，可以处理多少通信噪声，以及对学习性能的影响。通过将上行和下行噪声通道明确地纳入联邦学习管道中，提出了几种新的联邦学习收敛性分析。结果表明，为了保持与无通信错误的理想情况相同的收敛行为，需要控制直接模型传输的上行和下行信噪比，使其随通信轮数的指数 t 的平方数量级增长，但可以在模型差分传输中保持不变。这些理论结果的关键洞察力是 “低调飞行” 原则 - 随机梯度下降是一种内在的嘈杂过程，只要上行 / 下行通信噪声不占支配地位，就可以容忍它们。

Jan, 2021

本文探讨了物理层设计问题中基于联邦学习的最新进展，相比于集中化学习，联邦学习在通信开销方面更有效，但在学习准确性方面略有损失，同时探讨了模型、数据和硬件复杂性方面的设计挑战和可能的解决方案。

Feb, 2021

本研究分析了不完美通信渠道对分散式联邦学习（D-FL）的影响，并确定了每轮训练的最佳本地汇总次数，以适应网络拓扑和不完美通道。通过从需要完美通道和汇总的理想全局模型中推导出具有不完美通道的本地汇总 D-FL 模型的偏差，揭示了过多的本地汇总可能会积累通信错误并降低收敛性。本文还分析了基于该偏差的 D-FL 的收敛上限。通过最小化该上限，确定了在通道知识缺失的情况下平衡通信错误积累的最佳本地汇总次数。实验证实了我们的收敛分析，同时在两个广泛考虑的图像分类任务中确定了最佳的本地汇总次数。结果表明，在训练准确性方面，具有最佳本地汇总次数的 D-FL 可以比其潜在替代方案提高 10% 以上。

May, 2024

本文提出了一种训练过程，利用频道统计信息作为偏差来减小联邦机器学习模型的收敛时间，并通过数值实验证明可以通过忽略不能维持最小预定传输速率的客户端的模型更新来减少训练时间，同时研究参与训练的客户端数量与模型精度之间的权衡关系。

Apr, 2021

用于解决联邦学习中数据隐私问题导致的设备端数据无法被中心服务器使用的问题，本文提出了一种基于估计方案的设备选择算法，以最小化类别不平衡来提高联邦学习全局模型的收敛性能。

Nov, 2020

本文研究了联邦学习模型的泛化误差，通过 PAC-Bayes 和速率失真理论对其进行了分析，发现在联邦学习中客户端和参数服务器通信的轮数会影响泛化误差，并且在应用于 FSVM 时，泛化误差随着轮数增加而增加，因此需要优化轮数以减小 FL 算法的总体风险。

Jun, 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

本文提出一种基于压缩全局模型的损失型联邦学习算法（LFL），该算法相对于完全无损方法，使用较少的通信资源来实现相同的收敛性。

Jun, 2020

本研究提出一种鲁棒的联邦学习方案，通过并行优化、正则化等方法减小噪声影响，并从理论角度分析了其收敛性和准确性改善，仿真实验进一步验证了该方案的有效性。

Nov, 2019