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

本文研究车联网应用中的联邦学习与集中式学习的可行性，探讨了基于图像数据集的目标检测，分析了数据标注、模型训练的挑战，以及数据速率、可靠性、隐私和资源管理等通信方面的问题，并为联邦学习在车联网领域中的未来研究方向提供了展望。

Jun, 2020

本文研究如何通过三个方面的优化措施 —— 激励机制设计、网络资源管理和个性化模型优化，有效解决分布式人工智能范例中面临的系统和统计异构挑战，从而实现对第六代网络中亿万智能物联网设备所产生数据的联合学习和隐私保护。

Mar, 2023

本研究提出一种基于协议的去中心化联邦学习框架 C-DFL，以应对联邦学习在车联网中的缺陷并提高学习效果，通过大量仿真实验证明其在所有情况下优于传统方法。

Sep, 2022

本文主要介绍了在 6G 移动网络时代，如何将分布式边缘计算资源与联邦学习相结合，并引入分裂学习以处理海量资源受限的物联网设备，重点讨论边缘分裂学习及其在多边缘协作与移动管理中的设计问题与待解决的开放性问题。

Jun, 2023

本文介绍了数字孪生无线网络（DTWN），并在其中运行了一种基于区块链的联邦学习框架，以协作式计算提高系统的可靠性和安全性并提高数据隐私，并通过多智能体强化学习找到了最优解。

Nov, 2020

人工智能在下一代无线系统（如第六代（6G）移动网络）中发挥重要作用，但在训练 AI 模型和从分布式设备中获取智能和知识时，需要解决的关键挑战包括大量的数据、能源消耗、训练复杂性和敏感数据保护。联邦学习作为最近出现的框架，为多个学习代理构建准确而稳健的机器学习模型提供了有希望的方法，同时不共享原始数据。联邦学习通过允许移动设备协同学习全局模型而不显式共享训练数据，展示了高隐私性和高效的频谱利用。本文的主要目标是全面介绍联邦学习的可用性，以提高移动服务的质量，并支持支持新的用例。本文通过检查在协议堆栈的各个级别上实施联邦学习的附加价值，展示了联邦学习在改进协议堆栈和无线操作方面的重要性。此外，它给出了重要的联邦学习应用，讨论了热门话题，并为未来的研究和发展提供了宝贵的见解和指导。我们的结论旨在发挥联邦学习和未来 6G 之间的协同作用，同时强调联邦学习在颠覆无线行业和支持前沿移动服务发展中的潜力。

Dec, 2023

该研究论文探讨了联邦学习对下一代网络化工业系统的机会和挑战，重点关注联网自动驾驶和智能制造中的协作机器人。

Jan, 2021

利用分布式账本技术和图神经网络构建的受信任的体系结构，解决了 6G 环境下联邦学习的挑战，包括隐私保护和安全问题，并验证了其在异常模型检测和全局模型准确性方面相对于相关基准的性能提升。

Sep, 2023

本文介绍了一种适用于智能运输系统的边缘分析架构，其中数据在车辆或路边的智能传感器水平上处理，以克服联网通信延迟和数据可靠性问题，并提出了针对异构数据、自主控制、车队控制和网络安全等挑战的不同深度学习解决方案，能够为 ITS 提供可靠、安全和真正的智能交通环境。

Dec, 2017