无线自组临时联盟学习：一种完全分布式的合作式机器学习

May, 2022

Wireless Ad Hoc Federated Learning: A Fully Distributed Cooperative Machine Learning

Hideya Ochiai, Yuwei Sun, Qingzhe Jin, Nattanon Wongwiwatchai, Hiroshi Esaki

TL;DR本文提出了一种分布式的合作式机器学习方法，即 WAFL，它能够通过无线自组网络在非 IID 分散节点之间交换和聚合数据，从而构建广义模型，并在多种机会式网络中实现高达 94.8-96.3% 的准确率。

Abstract

privacy-sensitive data is stored in autonomous vehicles, smart devices, or sensor nodes that can move around with making opportunistic con

发现论文，激发创造

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

本文研究了存在无线通信信道时的分布式机器学习中的协作训练方法，提出了数字实现和过空中计算实现的联合源 - 信道编码方法，并在高斯多址信道下进行了评估。

Jul, 2019

本文提出一种适用于蜂窝无线网络的联合学习算法，证明了其收敛性，并提供了最优调度策略，同时研究了局部计算步骤和通信步骤对算法收敛的影响。

Dec, 2020

提出了一种基于超过空气计算的方法，探索了无线多接入通道的叠加属性，用于边缘机器学习中的快速全局模型聚合。

Dec, 2018

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

本篇文章探讨了联邦学习与无线通信之间的关系，包括联邦学习的基本原理、训练模型的有效通信、联邦学习对智能无线应用的潜在贡献以及未来研究挑战和方向。

May, 2020

通过网络设计和资源编排的两个方面讨论了实现可扩展无线联邦学习的挑战和解决方案，并提出了三种面向任务的学习算法来提高算法的可扩展性，实现对无线联邦学习的计算高效资源分配。

Oct, 2023

本文提出一种基于去中心化的分布式联邦学习（DFL）概念，旨在实现 IoT 智能应用的隐私保护与训练效率。文章首先介绍了 DFL 的基础，其次提出了一个包含匹配理论解决方案的 DFL 框架，最后展望了未来研究方向。

Aug, 2020

本文提出一种新的方法，将联合学习与 MIMO 系统的内部工作无缝集成，实现隐私保护的分布式机器学习.

Jun, 2023

本文介绍了一种新的机会式联邦学习方法，支持设备间的协作学习，并能够针对用户个体的经验进行个性化模型训练，以此提升模型的性能并抵抗过度拟合现象。

Mar, 2021