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

本研究针对高斯多址信道上受局部差分隐私约束的联邦学习问题进行研究，通过研究发现，无线信道的叠加性质提供了两重好处：在保证用户隐私的情况下实现带宽高效的梯度聚合，并提出了一种私有无线梯度聚合方案，并研究了该方案的收敛速度、无线资源和隐私权衡的关系。

Feb, 2020

本文研究了在无码传输方式下，信噪比（SNR）大于一定的阈值时，隐私限制测量通过差分隐私（DP）实现隐私保护，而不影响学习表现。同时研究了自适应功率分配（PA）和多址接入（OMA）和非正交多址接入（NOMA）传输等无线 Federated Learning 方案，提出了离线和启发式在线解决方案。

Jun, 2020

通过个性化差分隐私框架和考虑各种异构性和属性调整的方法，该论文提出了一种高效地保护隐私的个性化差分隐私框架，并对联邦学习算法的收敛边界进行了分析，同时进一步研究了考虑时间变化的个性化因素的收敛性质。

Jun, 2024

通过使用正交序列的特性，FLORAS 在通信设计角度消除了发送器处的信道状态信息 (CSIT) 的要求，提出了一种用于单输入单输出 (SISO) 无线联邦学习 (FL) 系统的新颖的隐私保护上行计算 (Over-the-Air Computation) 方法，并通过调整系统参数，可以在没有额外成本的情况下灵活地实现不同的差分隐私 (DP) 级别。同时，FLORAS 提供了单项和客户差分隐私保证。

Jun, 2023

本文研究了在一个现实的无线多输入多输出（MIMO）通信系统上部署联邦学习（FL）的性能优化，研究了使用数字调制和空中计算（AirComp）的 MIMO 系统，提出了一种组合数字调制和 AirComp 的修改联邦平均（FedAvg）算法来降低无线信道的淡化和确保通信效率。

Feb, 2023

移动设备、隐私、实用性、联邦学习和差分隐私是该研究的主要关键词，研究通过在联邦学习中采用差分隐私的实验环境并使用基准数据集来探讨隐私与实用性之间的平衡问题。

Nov, 2023

本研究旨在实现保护隐私的 AirComp-based 联邦学习，通过利用接收器噪声扰动从而防止私人数据的推断，通过调整接收信号级别以有效控制噪声扰动水平来实现差分隐私，分析了隐私和信噪比之间的权衡。

Apr, 2020

本研究提出一种名为 PO-FL 的概率设备调度框架，以缓解通道噪声的负面影响，在模型对聚合过程中使用该概率重量进行重新加权，通过经验分析得出结论：设备调度通过通信失真和全局更新方差影响学习性能。通过基于收敛性分析，进一步开发了基于渠道和梯度重要性感知的算法，以优化 PO-FL 中的设备调度概率。广泛的仿真结果表明，基于渠道和梯度重要性感知的 PO-FL 框架可以实现更快的收敛速度，并产生优于基准方法的模型。

May, 2023

本文提出了一种无线边缘私有联邦学习方案 PFELS，通过奇异值稀疏化降低通信通信和能源消耗，提高交付速度，保证客户端级别的差分隐私，实现共享全局模型过程中的隐私安全保障。实验结果表明，与现有技术相比，PFELS 在保持同等差分隐私保障的同时能提高准确率和节省通信和能源成本。

Apr, 2023