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

这篇论文介绍了一种完全分布式的联邦学习算法，该算法的优点在于避免了数据披露并具有扩展性商用前景，可以在包括物联网设备在内的网络中使用。

Dec, 2019

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

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

该论文提出了一种新的联邦学习算法（EAFO），通过联合考虑本地更新和参数压缩两个变量并使 FL 能够自适应调整这两个变量来提高其效率，以最小化学习误差，并实现计算，通信和精度之间的权衡，实验结果证明，与现有算法相比，EAFO 算法能够更快地实现更高的准确性。

Jun, 2022

分层联邦学习是一种扩展传统联邦学习过程以实现更高效的模型聚合的方法，可用于智能农业和智能能源管理等应用中，以提高性能并降低成本。

Apr, 2023

通过对资源受限物联网环境中实施联邦学习的挑战和解决方案的综合调研，从客户端和服务器两个层面上，关注有限的客户端资源、异构客户端数据的存在、服务器容量和高通信成本等问题，并评估它们在各种场景中的有效性。此外，基于应用位置（即物联网客户端和联邦学习服务器），本文还提出了新的评估指标，以允许研究人员在资源受限的物联网设备上评估其解决方案。

Aug, 2023

本文提出了一种更高效的混合联邦与集中学习（HFCL）方法来解决客户端计算资源不足的情况，该方法可以将数据集分别发送给有足够计算资源的客户端和参数服务器，从而在减少通信开销和提高学习准确率方面都具有更好的性能表现。

May, 2021

提出一种混合联邦和集中式学习（HFCL）框架，采用先进的数据传输方法并在计算资源不足时使用集中式学习方法，以有效地训练学习模型，并在所有客户端合作的同时提高学习准确度。

Nov, 2020

研究了在现实无线网络上训练联邦学习算法的问题，提出了一种联合学习、无线资源分配和用户选择的优化问题，并获得了期望收敛速率的闭式表达式，从而实现最小化 FL 损失函数的最优用户选择和上行资源块分配。

Sep, 2019