联邦学习是一种高效的分布式机器学习方法，通过用户端的迭代本地模型训练和中央服务器端的全局模型聚合，保护用户的隐私。然而，现有的工作只研究了静态场景或用户位置的随机初始化，未能捕捉到真实网络中的用户移动。为了解决这个问题，在联邦学习中引入了用户的移动模型，并开发了一种用户调度和资源分配方法，以减小由于通信资源有限而带来的训练延迟。模拟结果表明，所提出的算法相比最先进的基线算法具有更好的性能，一定程度的用户移动可以提高训练性能。

Jul, 2023

提出了一种处理异构用户设备数据的联邦学习算法，同时结合对微波资源分配问题的优化，实现了收敛速率和能耗之间的平衡，并用 Tensorflow 实验验证了该算法的理论分析和优化表现。

Oct, 2019

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

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

介绍了一种新的 Hierarchical Federated Edge Learning（HFEL）框架，以及在此框架下计算和通信资源分配以及设备用户的边缘关联问题的解决方案，同时提出了一种有效的资源调度算法。经过广泛的性能评估，表明 HFEL 框架优于传统联邦学习的基准，并且可以实现更好的训练性能和全球成本节约。

Feb, 2020

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

提出了改进的 K-Center 算法用于设备调度，并引入了基于深度强化学习的方法来分配物联网设备给边缘服务器，证明了在进行 Hierarchical FL 时，调度 50% 的物联网设备通常足以实现收敛，同时延迟和能耗明显降低，而在追求绿色人工智能以及减少消息传输方面，调度 30% 的物联网设备能够在保持模型准确度的同时大幅减少能耗和消息量。

Feb, 2024

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

本文研究了无线网络中多个联邦学习服务共享通用无线资源的机制，提出了一个两级资源分配框架，包括对联邦学习轮次长度进行优化的内部服务资源分配和分别分配带宽资源给多个联邦学习服务的外部服务资源分配，并介绍了两种不同的服务提供者策略。在此基础上，提出了一种分布式带宽分配算法和一种新的拍卖方法，以优化整体性能和公平性。模拟结果表明，所提出的算法在各种网络条件下优于其他基准方法。

Jan, 2021

利用联邦学习，联合学员推荐辅助联邦客户选择（LRef-FedCS）和通信资源调度、本地模型准确性优化（LMAO）方法来解决在分层物联网（HieIoT）网络中最差情况下参与者产生的成本和确保联邦学习的长期公平性的问题。

Jul, 2023