该研究论文介绍了联邦学习的一般概念，讨论了在 5G 网络中可能的应用，并描述了联邦学习在无线通信背景下的关键技术挑战和未来研究的开放问题。

Jul, 2019

本文介绍了6G通信与联邦学习的集成，并提供了联邦学习在6G通信中的潜在应用，描述了联邦学习在6G通信中的关键技术挑战、对应的联邦学习方法和未来研究的开放性问题。

Jun, 2020

本文研究联邦学习应用于基站聚合LTE数据的时序预测的有效性。我们使用5种不同的神经网络架构在联邦设置下进行一步预测，结果表明：适应联邦设置的学习架构与集中式设置具有相当的预测误差，基站的预处理技术导致更高的预测准确性，而现代聚合器并不比简单的方法好。

Nov, 2022

提出一种名为FedDCT的新型动态跨层联邦学习方案，旨在增加无线通信网络中的训练准确性和性能。引入分层算法根据特定指标动态将客户端分为不同层次，并为每个层次分配特定的超时阈值以减少所需的训练时间。通过引入跨层客户端选择算法有效地选择层次和参与者，提高模型的精确度而不增加训练时间。模拟实验表明，该方案可以使模型更快收敛并在无线通信网络中达到更高的准确性。

Jul, 2023

通过解释可解释人工智能（XAI）设计了解释引导的联邦学习（EGFL）方案，以建立对零接触人工智能驱动的6G网络自动化的信任，并通过模型解释来实现可信的预测。模拟结果表明，与文献中不同基准线相比，EGFL-JS方案在全面性方面提高了50％以上，尤其是基于KL散度的变体EGFL-KL。相对于无约束的EGFL，它还相对提高了25％以上的召回率。

Jul, 2023

DISTINQT是一个隐私感知的分布式学习框架，用于QoS预测，在多个异构节点之间共享计算，并通过将原始输入数据编码为非线性潜在表示来贡献于数据隐私保护。在Tele-Operated Driving应用场景，我们的框架相比于集中化版本有相同的性能，并在六个最先进的集中式基准解决方案上平均性能提升了65％。

Jan, 2024

本文提出了一种用于交通状态估计（TSE）的隐私保护数据融合方法，该方法可以解决多个数据所有者之间的协作和数据共享中出现的数据隐私问题，并通过垂直联邦学习（FL）和保护隐私的物理信息FL方法实现了协作训练和应用TSE模型而无需交换私有数据。实证结果表明，提出的方法能够在保护隐私的同时保持与不考虑隐私的标准方法类似的准确性。

Jan, 2024

该文介绍了一种新的联邦辅助硬参数共享多任务学习框架，名为FedAuxHMTL，通过在边缘服务器和基站之间进行模型参数交换，使分布区域的基站参与到FedAuxHMTL过程中，并提升主任务-网络边缘流量分类的学习性能。通过实证实验证明了FedAuxHMTL在准确性、总全局损失、通信成本、计算时间和能源消耗方面与其对应方法相比的有效性。

Apr, 2024

利用深度自编码器方法检测基于良性网络流量模式的攻击，通过联邦学习训练侵入检测系统，同时保护CAVs的隐私并减少通信开销。在最新的网络流量数据集上进行的深入实验表明，该系统实现了高检测率，并最小化误报率和检测延迟。

Jul, 2024

本研究解决了5G生态系统中日益复杂的网络安全问题，提出了一种基于联邦学习和大语言模型的强健入侵检测系统。通过优化BERT模型以适应边缘设备的性能要求，实验结果表明，该模型在集中式和联邦学习环境下均表现出色，显著提升了对恶意网络流量的检测能力。

Sep, 2024