我们提出了一个利用深度强化学习技术的按需解决方案，通过在运行时使用 Docker 容器部署新的客户端，以解决动态和移动环境中的数据可用性和客户端选择的挑战。我们的架构能够适应环境变化，并对按需请求做出响应，从而提高客户端的可用性、能力、准确性和学习效率，超越启发式和表格型强化学习解决方案。

May, 2024

在我们的研究中，我们将信任元素整合到系统架构的客户选择和模型部署过程中，通过使用 Docker 监测和验证参与者的行为，并借助基因算法优化模型，为参与者分配信任值并动态调整，扣减恶意客户的信任分数，从而识别和隔离有害客户，减少正常轮次中的干扰并最小化轮次取消，因此提高了系统的稳定性和安全性。

May, 2024

提出了一种称为 SocFedCS 的新的基于 Lyapunov 优化的优化客户端选择方案，其通过信任网络在移动联邦学习网络中最小化成本并训练高质量的联邦学习模型，在四个真实世界的多媒体数据集上的实验表明，它的平均测试准确率比最佳基线高 2.06％，成本低 12.24％。

May, 2023

Federated Learning aims to train a global model by utilizing decentralized data, but the highly dynamic networks of edge devices can cause delays and degrade the efficiency of the training process. To address this, DynamicFL is proposed as a novel framework that considers communication dynamics, data quality, and client selection strategies to improve system performance and achieve better model accuracy.

Jul, 2023

在大规模 FL 环境中，本研究旨在研究客户端选择算法的开销，并提出一种高效的数据分布摘要计算算法来减少开销。评估结果显示，我们的解决方案在数据摘要时间上能够实现 30 倍的降低，聚类时间上能够实现 360 倍的降低。

Jun, 2024

本文提出了一种新的众包框架来解决分散式学习中的通信效率问题，并通过制定参与客户端的准入控制方案来保证其本地准确性水平。通过基于激励和 Stackelberg 游戏等模型的分析与模拟实验，证明了该方案的有效性。

Nov, 2019

通过联邦学习解决异步模式下的执行阻塞问题，提出利用概率选择客户端和带宽分配来优化异步联邦学习的收敛速度和移动能源消耗的问题，并通过实验验证了该方法的优越性。

Nov, 2023

本篇论文中，我们介绍了一种基于移动边缘计算，利用分布式客户端数据和计算资源进行高性能机器学习模型训练的框架，该框架扩展了联邦学习的分布式学习框架，以实现与实际基于蜂窝网络的异构客户端的协作；我们的新 FL 协议（FedCS）通过解决具有资源限制的客户端选择问题来提高训练效率，在公开可用的大规模图像数据集上进行实验，实验结果表明，与原始 FL 协议相比，FedCS 能够在显著缩短的时间内完成训练。

Apr, 2018

本文提出了第一个针对不同客户的异构和相关可用性的 FedAvg 类 FL 算法的收敛分析，发现相关性如何不利地影响算法的收敛速率，并且介绍了一种新的算法 CA-Fed，在最大化收敛速度和最小化模型偏差之间寻求平衡，同时忽略了可用性低和相关性大的客户。实验结果表明，CA-Fed 在合成数据集和实际数据集上比 AdaFed 和 F3AST 等现有算法具有更高的时间平均准确性和更低的标准差。

Jan, 2023

在本研究中，我们提出了一种分布式客户选择方案，以减少所有参与者维护活动状态的成本，并通过使用模糊逻辑作为评估器实现了对最高评价客户的选举，从而在准确性上接近集中式客户选择并显著减少通信开销。

Jan, 2024