本文研究了联邦学习的碳排放问题，发现与集中式机器学习相比，联邦学习的碳排放量可能高达两个数量级，但在一些情况下，由于嵌入式设备的能耗降低，两者的碳排放量是可比较的。作者探讨了算法效率、硬件能力和行业透明度等课题，以降低联邦学习对环境的影响。

Feb, 2021

通过提出一个名为 CAFE 的框架，同时优化学习性能和减少环境影响，本研究重点探讨了在各地数据中心分布的条件下训练大规模人工智能模型所面临的挑战。

Nov, 2023

基于边缘设备的联邦学习方法通过采用高效的通信技术来分布机器学习任务，相比于集中式解决方案，减少了数据存储和计算复杂性方面的开销。该论文提出了一个用于实时监测联邦学习系统能源和碳足迹影响的框架，并通过对共识（完全分散）和经典联邦学习策略的评估，首次定量评估了不同的计算和通信高效联邦学习方法在能源消耗和碳等效排放方面的表现，并提供了能效设计的一般指导原则。研究结果表明，在通信能效较低（即 < 25 Kbit/Joule）时，应优先选择共识驱动的联邦学习实现以限制碳排放。此外，量化和稀疏化操作被证明在学习性能和能源消耗之间达到了平衡，从而导致了可持续的联邦学习设计。

Oct, 2023

FedGreen 是一种碳感知的联邦学习方法，通过采用基于客户端的碳排放数据和位置的自适应模型大小训练技巧，以及使用有序的随机失活作为模型压缩技术，可以有效地训练模型，并在考虑不同国家碳强度差异的同时，降低碳排放，并保持竞争性的模型准确性。

Apr, 2024

通过提出一个可评估机器学习模型可行性的新方法，本文在实际基站测量的基础上，对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估，发现较大的机器学习模型在性能上略有提升，但在碳足迹方面产生了显著的环境影响，使其在实际应用中不切实际。

Sep, 2023

基于无隐藏层神经网络的联邦学习方法在单次训练中生成全球协作模型，同时保护数据隐私和节省能源。

Dec, 2023

面向新时代的人工智能 (AI) 网络，关注 AI 的环境影响引起了行业和学术界的关注。联邦学习 (FL) 作为一种关键的隐私保护的分散式 AI 技术已经出现。尽管目前在 FL 方面已经做了努力，但其环境影响仍是一个悬而未决的问题。为了实现 FL 过程的能量消耗最小化，我们提出了编排参与设备的计算和通信资源以同时保证模型的一定性能并最小化所需总能量的软演员批判深度强化学习 (DRL) 解决方案。在培训过程中引入了一项惩罚函数，对违反环境约束的策略进行惩罚，并确保安全 RL 过程。提出了一种设备级同步方法以及计算成本有效的 FL 环境，旨在进一步降低能量消耗和通信开销。评估结果显示所提出的方案在静态和动态环境下与四种最先进的基准方案相比的有效性，能降低总能量消耗高达 94%。

Aug, 2023

提出了基于可再生能源、FedZero 的联邦学习系统，利用能量和负载预测，在历史太阳能和负载状况的基础上，选择客户端进行快速收敛和公平参与，从而将训练的操作碳排放降至零。

May, 2023

本文提出了两种基于去中心化的联邦学习聚合方法 —— 可交换联邦学习、交替式联邦学习，用于解决现有模型机器学习模型在无人机领域数据隐私、通信成本、以及能源等方面存在的问题，通过控制本地训练轮数、本地通信以及全局通信的方式，可有效地控制能源消耗和通信成本，模拟结果表明该方法在运行稳定性、能源消耗和通信成本等方面优于现有的基准方法。

Apr, 2023

联邦学习是一种保护隐私的分布式机器学习方法，它使得多个客户端和整个群体能够进行共同训练而不共享所涉及的训练数据集。本文概述了联邦学习在可再生能源应用中的应用，讨论了联邦学习算法，并调查了其在可再生能源发电和消费中的应用和案例研究。我们还评估了联邦学习在电力和能源环境中应用所面临的潜力和挑战。最后，我们概述了联邦学习在可再生能源应用中有前景的未来研究方向。

Dec, 2023