本文在无线网络中为分层式联邦学习引入了模型剪枝技术，通过联合优化剪枝比例和无线资源分配，旨在最大化模型收敛速度以达到给定延迟阈值，并通过解耦优化问题和使用 KKT 条件得出了剪枝比例和无线资源分配的闭式解，并通过模拟结果展示了模型剪枝在 HFL 中实现了减少了约 50％的通信成本而实现了相似的学习准确率。

May, 2023

通过将学习模型分为全局部分和个性化部分，以实现模型剪枝和个性化，本文提出了一种解决异构设备数据、计算和通信延迟以及非独立同分布数据的联邦学习框架，并通过数学分析研究了其收敛性、计算和通信延迟，并最终通过优化问题得到了剪枝比例和无线资源分配的闭式解。实验结果表明，相比只进行模型个性化的方案，该框架能够显著减少约 50％的计算和通信延迟。

Sep, 2023

通过在无线视频缓存网络中的不同级别上存储待请求内容，可以缓解因少数热门文件的视频流量导致的回传链路拥塞问题。为了预测用户未来的内容请求，我们提出了一种新颖的资源感知的分层联邦学习（RawHFL）解决方案，使用实践中的资源限制以高效地训练 RawHFL 能源。通过权重实用函数的最小化来联合配置可控参数，我们的算法在测试准确性和能量成本方面优于现有基线模型。

Feb, 2024

该研究提出一个新颖的资源感知分层联邦学习（RawHFL）解决方案，旨在通过局部存储用户频繁请求的热门内容来预测用户未来的内容需求，在考虑到延迟、能量和无线资源限制的情况下，通过优化客户端选择和局部轮次以及中央处理单元（CPU）频率的方式来实现能效最大化，模拟结果表明该方案在预测准确性和总能量消耗方面明显优于其他考虑的基准方案。

Nov, 2023

研究使用梯度稀疏化和周期性平均的分层联邦学习框架，来在异构蜂窝网络中实现协作机器学习任务。结果表明，该方案可以显着降低通信延迟且不会减少模型精度。

Sep, 2019

该研究提出了层次化的个性化联邦学习算法（HPFL），将用户设备（UEs）分层聚类，从而解决移动边缘计算（MEC）网络中的异构性问题，并在全局模型与边缘模型聚合之间寻求轮数损失最小化和轮延迟最小化之间的权衡。

Mar, 2023

该论文提出了一种层次化联邦学习（Hierarchical FL）框架，并引入了光谱资源优化算法（SROA）和两阶段迭代算法（TSIA），以实现在无线用户大数据集中能源消耗和延迟降低方面的领先优势。

Sep, 2023

本研究关注于联邦学习中的客户端模型异质性问题，并提出了适用于模型异质性场景的有效、适应性强的联邦框架 FedP3 及其差分隐私变体 DP-FedP3，并从理论上验证了它们的高效性。

Apr, 2024

在异构环境中，提出了一种新颖的联邦学习训练框架，考虑了真实环境中客户端的各种网络速度差异。该框架集成了异步学习算法和修剪技术，有效解决了传统联邦学习算法在涉及异构设备的场景中的低效问题，同时解决了异步算法中某些客户端训练不充分和过时问题。通过在训练过程中逐步恢复模型大小，该框架加快了模型训练速度，同时保留了模型准确性。此外，还引入了改进的联邦学习聚合过程，包括缓冲机制，使异步联邦学习能够像同步学习一样进行操作。另外，在服务器向客户端传输全局模型的过程中进行了优化，减少了通信开销。我们在各种数据集上的实验表明：相对于传统的异步联邦学习和异构联邦学习，我们的方法在减少训练时间和提高收敛准确性方面取得了显著的改进；我们的方法在存在异构客户端和非独立同分布客户端数据的场景中优势更加明显。

Mar, 2024

本文针对数据异构性与无线资源分配相结合的无线联邦学习问题，提出了性能分析与优化的方法，在考虑数据异构性的同时，优化客户端调度、资源分配和本地训练轮数，通过实验验证了该算法在学习准确性和能量消耗方面的优势。

Aug, 2023