利用车辆的计算和感知能力，本文提出了一种车辆联邦学习（VFL）算法，通过直接车对车（V2V）通信增强 VFL 训练效率，并考虑能量限制和车辆的移动性问题来优化 VFL 训练性能。通过导数漂移加罚方法将长期随机优化问题转化为在线混合整数非线性规划（MINLP）问题，并通过理论分析来衡量在线解和离线最优解之间的性能差距。通过对调度优先级的进一步分析，将原始问题简化为一组凸优化问题，并使用内点法有效求解。实验结果表明，与现有基准相比，所提出的算法将 CIFAR-10 数据集上的图像分类准确度提高了 3.18％，并将 Argoverse 轨迹预测数据集上的平均位移误差降低了 10.21％。

Jun, 2024

因为传统的车联网在上传到云处理中会有延迟，所以为了解决这一问题并提高系统性能，引入了边缘计算，在此基础上采用联邦学习，其中异步联邦学习则采用深度强化学习作为车辆的选择问题模型，模拟结果表明有效提高了全局模型聚合的准确性。

Apr, 2023

本研究工作中，通过对分割学习和联邦学习优势的结合，提出了一种适应性分割联邦学习方案，用于车辆边缘计算。此方案通过自适应地分割模型并并行化训练过程，考虑了移动车辆选择和资源分配，极大地降低了训练延迟，并适应了网络动态和车辆的移动性。

May, 2024

基于深度强化学习的车边计算中，根据车辆的整体性能和遭受的拜占庭攻击程度，提出了一种车辆选择方案，以有效提高全局模型的安全性和准确性。

Apr, 2024

本文主要研究了在高度移动设备上的分层联邦学习（HFL），证明了 HFL 在边缘级异构数据中移动性能够提高收敛速度以及模型准确性的优势。

Jan, 2024

本研究提出一种基于协议的去中心化联邦学习框架 C-DFL，以应对联邦学习在车联网中的缺陷并提高学习效果，通过大量仿真实验证明其在所有情况下优于传统方法。

Sep, 2022

自动驾驶领域的研究中，利用人工智能和机器学习进行车联网联合学习，通过智能车辆收集到的大量数据，在保护数据隐私和优化通信资源使用的同时，通过调度车辆的计算和传输，利用估算的无线电环境地图，协调全球模型学习，并达到降低训练时间和提高模型更新效率的目标。

Nov, 2023

本文提出了一种新颖的联合传输功率和资源分配方法，旨在实现在车联网中实现超可靠低延迟通信（URLLC），方法采用极端值理论来定义可靠性指标，并利用联邦学习技术，在保证车辆用户（VUEs）的高可靠性的情况下，最小化 VUEs 的网络广泛功耗。

May, 2018

本文研究车联网应用中的联邦学习与集中式学习的可行性，探讨了基于图像数据集的目标检测，分析了数据标注、模型训练的挑战，以及数据速率、可靠性、隐私和资源管理等通信方面的问题，并为联邦学习在车联网领域中的未来研究方向提供了展望。

Jun, 2020

研究车联网中的超可靠低延迟通信的联合功率和资源分配（JPRA），提出一种基于联邦学习和 Lyapunov 优化的分布式方法来估计最大排队时间的极值事件，结果显示此方法可显著减少功耗和大队列长度的用户。

Jul, 2018