Ed-Fed 是一个全面通用的联邦学习框架，提出了一种新颖的资源感知客户端选择算法来优化 FL 中的等待时间，相比于传统随机选择方法，本方法大大优化了 FL 中的等待时间。

Jul, 2023

本文通过在大量物联网和边缘设备网络上系统地进行广泛实验，重点关注异构情况，以探究在设备上实施联合学习的可行性，并呈现了其现实世界的特征，包括学习性能和操作成本，为研究人员和从业者提供有价值的见解，促进联邦学习的实用性，并帮助改进现有的联邦学习系统设计。

May, 2023

提出了一种叫做联邦学习的分散式学习结构，该结构可以在物联网设备中实现机器学习，通过处理来自不同客户端的数据，以预测未来事件。此方法可解决传统机器学习中遇到的通信开销、隐私泄露和安全性等问题，同时也避免了中央服务器的使用。本文讨论了在客户端资源有限的情况下实施联邦学习的挑战和应用。

Feb, 2020

通过无线网络实现联邦学习，并使用基于深度强化学习的方法来进行边缘关联，以提高精度和降低能耗，进而实现成本效益的个性化联邦学习。

Feb, 2022

pFedKnow 是一个 SemiFL 框架，它通过神经网络剪枝技术生成轻量级的个性化客户端模型以降低通信成本，并将预训练的大型模型作为先验知识来指导个性化客户端模型的聚合，以进一步提高框架性能。

Mar, 2023

该论文提出了一种名为 LESSON 的方法，它通过选择不同频率上传模型的客户端来解决异质客户端设置下的延迟问题，加速收敛速度并避免模型过度拟合。模拟结果表明，LESSON 的收敛速度比 FedAvg 和 FedCS 更快，模型准确性比 FedCS 更高。

Oct, 2022

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

我们提出了一种新的客户端选择方案来增强收敛性，通过优先考虑快速 UAV 和高可靠性评分，同时从训练中排除恶意 UAV，通过实验评估了该方案在不同攻击场景中的抵抗性和模型准确性，并展示了与基准方法相比所提出方法的性能优势。

Dec, 2023

通过动态调度和资源分配算法解决异构数据和时间变化目标函数下，在长期能量限制条件下，流式数据随机生成和资源可用性的固有随机性，并通过仿真结果验证了所提出方案相对于基准方案的学习性能和能效的提高。

May, 2024

通过将人工智能（AI）与边缘计算相结合，边缘智能利用终端设备和边缘服务器的计算和通信能力，在数据产生的地方进行处理，从而实现人工智能的大规模和高效部署。其中一项关键技术是隐私保护的机器学习范式 Federated Learning（FL），该范式使数据所有者能够在无需将原始数据传输到第三方服务器的情况下训练模型。然而，FL 网络预计涉及成千上万个异构分布式设备，因此通信效率仍然是一个关键瓶颈。为了减少节点故障和设备退出，提出了一种分层联邦学习（HFL）框架，其中指定的集群领导者通过中间模型聚合支持数据所有者。因此，基于改进的边缘服务器资源利用，本文可以有效弥补缓存容量的限制。为了减轻软点击对用户体验质量（QoE）的影响，作者将用户 QoE 建模为综合系统成本。为解决这个公式化问题，作者提出了一种具有联邦深度强化学习（DRL）和联邦学习（FL）的分散式缓存算法，其中多个代理独立学习并做出决策。

Mar, 2024