本文提出了一个基于联邦学习的入侵检测框架，通过使用 CIC-IDS 2017 数据集，在 Internet of Vehicles (IOV) 中实现去中心化机器学习，采用 SMOTE 来处理类别不平衡，异常观测值检测来识别和移除异常观测值，以及超参数调整来优化模型性能，并通过各种性能指标评估了该框架，展示了其在侦测入侵方面的效果，并能保护敏感数据同时实现高入侵检测性能。

Nov, 2023

本研究探讨了在物联网车辆中采用联邦学习的切实可行性和应用价值，并介绍了一种基于 MPI 的轻量级原型系统 FedPylot，以模拟在高性能计算系统上进行联邦目标检测实验，并针对准确性、通信成本和推理速度进行评估，旨在为自动驾驶车辆面临的挑战提供平衡的方法。

Jun, 2024

本文提出结合联邦学习和本地差分隐私（LDP）来实现机器学习模型以避免隐私泄露，并借助四种 LDP 机制来扰动车辆生成的梯度，其中 Three-Outputs 机制提高了隐私度同时降低了通信成本，并且本文建立了一个新的混合机制，通过结合 Three-Outputs 和 PM-SUB 提高了算法的性能。

Apr, 2020

本文提出了一种基于云边架构的个性化联邦学习框架，以解决在物联网环境下的设备、统计和模型异构性，能够为智能物联网应用提供高效时延和低延迟的处理能力，并使用人类活动识别案例研究证明了个性化联邦学习在智能物联网应用中的有效性。

Feb, 2020

合作感知和联邦学习在未来交通系统中具有很大潜力，但数据异质性是一个重要挑战。本研究介绍了一种专门用于合作感知的联邦学习框架，名为 FedDWA 算法，并结合动态调节损失函数。实验证明该框架能够显著改善环境感知模型的准确性，提高交通部门的协同学习解决方案。

Apr, 2024

本论文提出了一种基于转移学习和集合学习的基于卷积神经网络和超参数优化技术的 IDS，用于 IoV 系统的网络安全攻击检测以保护现代车辆系统。在实验中，该 IDS 在两个公共基准 IoV 安全数据集上表现出超过 99.25％的检测率和 F1 分数，表明了其对车内和外部汽车网络中的网络攻击检测的有效性。

Jan, 2022

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

本文提出一种基于去中心化的分布式联邦学习（DFL）概念，旨在实现 IoT 智能应用的隐私保护与训练效率。文章首先介绍了 DFL 的基础，其次提出了一个包含匹配理论解决方案的 DFL 框架，最后展望了未来研究方向。

Aug, 2020

综合调查了智能交通系统中联邦学习的最新发展，研究了 ITS 中普遍的挑战，阐明了应用联邦学习的动机，并讨论了在物体识别、交通管理和服务提供等场景中的潜在问题。还分析了联邦学习部署引入的新挑战和其潜在的局限性，包括不均匀的数据分布、有限的存储和计算能力，以及潜在的隐私和安全问题。最后，讨论了应用联邦学习在 ITS 中仍需解决的挑战，并提出了几个未来的研究方向。

Sep, 2023

在本研究中，我们提出了一种分布式客户选择方案，以减少所有参与者维护活动状态的成本，并通过使用模糊逻辑作为评估器实现了对最高评价客户的选举，从而在准确性上接近集中式客户选择并显著减少通信开销。

Jan, 2024