电力短缺和负荷限制是发展中国家面临的主要问题，主要原因是能源部门管理不善和使用非可再生能源。改善能源管理并增加可再生能源的使用对解决能源危机具有重要意义。本文提出了基于区块链的安全分布式账本技术，用于保证生产者和消费者之间数据交易的透明性、可追溯性和安全性，并提出了用于预测消费者和生产者能源需求的联邦学习模型。实验结果显示，可再生能源已经产生了与其他非可再生能源资源相媲美的更好的结果。

Jul, 2023

本文提出了一个分布式联邦学习框架，使用区块链实现去中心化方案，将云端架构转移到边缘，实现 IoT 设备上的神经网络训练，解决医疗数据隐私和医疗设备缺乏数据的问题，同时实现网络模型的分布式训练。

Apr, 2023

本文全面评估了基于区块链和联邦学习的 Blockchained Federated Learning (BlockFL)，并在四个物联网应用场景中比较了现有 BlockFL 模型的安全性、隐私性、可靠性、效率和数据异构性等特征，结果表明去中心化和透明度使 BlockFL 成为分布式模型训练的安全有效解决方案，但其额外成本和兼容性仍需要进一步研究。

May, 2023

本研究阐述了区块链加密联邦学习方案在保护车联网数据隐私方面的应用和实现，同时提出相应的解决方案和未来研究方向。

Mar, 2022

本文提出在网络边缘实现联合学习的设计方面，使用建模激励交互的方式来推动设备的参与，同时列举了几个未解决的研究挑战和未来研究方向。

Nov, 2019

本文提出了一种将增量学习矢量量化算法（XuILVQ）与以太坊区块链技术结合，以促进分布式环境中的安全高效数据共享、模型训练和原型存储的新型物联网解决方案。通过一系列实验评估我们的系统性能，展示了其在物联网环境中提高机器学习任务准确性和效率的潜力。

Nov, 2023

本文探讨了基于区块链技术进行联邦学习的安全数据共享平台的性能和安全性，系统地回顾了现有的研究。结论是目前该领域仍有许多值得探究的问题和研究方向。

Jun, 2023

本文提出一种新型的混合方法，将联邦学习和区块链技术相结合，为物联网医疗应用提供安全的隐私保护解决方案，保护数据隐私，保证计算效率，同时保持数据完整性和访问控制。

Apr, 2023

本文提出了一种新的框架，叫做联合边缘智能（FEI），以评估物联网网络的能量成本和边缘服务器的本地数据处理能力，从而使边缘服务器适时地请求足够训练令人满意的模型所需的数据。同时，本文引入了映射函数来评估边缘服务器的计算负载，最后采用基于 ADMM 的方法来优化物联网网络的能量成本和边缘服务器的平均计算资源利用率。该文证明，所提出的算法不会泄露任何数据，也不会泄漏物联网网络的拓扑信息。仿真结果表明，FEI 框架可以在有限的牺牲模型收敛性能的情况下，显著提高物联网网络和边缘服务器的资源效率。

Nov, 2020

本文介绍了联邦学习在物联网应用中的先进发展，提出了一系列度量标准以进行严格评估，设计出了物联网网络上的联邦学习分类法，并提出了比联邦学习更好的隐私保护的分散联邦学习的两种用例，最后提出了一些开放性研究挑战和可能的解决方案。

Sep, 2020