这篇论文介绍了一种完全分布式的联邦学习算法，该算法的优点在于避免了数据披露并具有扩展性商用前景，可以在包括物联网设备在内的网络中使用。

Dec, 2019

提出了一种叫做联邦学习的分散式学习结构，该结构可以在物联网设备中实现机器学习，通过处理来自不同客户端的数据，以预测未来事件。此方法可解决传统机器学习中遇到的通信开销、隐私泄露和安全性等问题，同时也避免了中央服务器的使用。本文讨论了在客户端资源有限的情况下实施联邦学习的挑战和应用。

Feb, 2020

通过对资源受限物联网环境中实施联邦学习的挑战和解决方案的综合调研，从客户端和服务器两个层面上，关注有限的客户端资源、异构客户端数据的存在、服务器容量和高通信成本等问题，并评估它们在各种场景中的有效性。此外，基于应用位置（即物联网客户端和联邦学习服务器），本文还提出了新的评估指标，以允许研究人员在资源受限的物联网设备上评估其解决方案。

Aug, 2023

该论文提出了一种新的联邦学习算法（EAFO），通过联合考虑本地更新和参数压缩两个变量并使 FL 能够自适应调整这两个变量来提高其效率，以最小化学习误差，并实现计算，通信和精度之间的权衡，实验结果证明，与现有算法相比，EAFO 算法能够更快地实现更高的准确性。

Jun, 2022

通过对边缘传感设备的视角，本文回顾了联邦学习策略，探讨了关键联邦学习原理、软件框架和测试平台，并且研究了联邦学习在当前传感技术、传感设备性能和传感应用上的应用，最后讨论了未来研究方向。

Nov, 2023

适应性模型修剪策略的自适应联邦学习方法针对人工智能物联网设备中的异构性因素进行合作学习，通过强化学习的设备选择机制，将异构模型动态地分发给相应的设备进行本地训练，从而实现推断性能的提升。

Nov, 2023

本研究是一项关于边缘设备上联合学习技术在物联网（IoT）应用中的综合调研，探索并分析 FL 在 IoT 数据共享、攻击检测、安全、智慧医疗，智能交通，无人机，智慧城市，智慧工业等应用领域中的潜力，并总结了可借鉴的经验教训和当前的挑战与未来研究方向。

Apr, 2021

基于边缘设备的联邦学习方法通过采用高效的通信技术来分布机器学习任务，相比于集中式解决方案，减少了数据存储和计算复杂性方面的开销。该论文提出了一个用于实时监测联邦学习系统能源和碳足迹影响的框架，并通过对共识（完全分散）和经典联邦学习策略的评估，首次定量评估了不同的计算和通信高效联邦学习方法在能源消耗和碳等效排放方面的表现，并提供了能效设计的一般指导原则。研究结果表明，在通信能效较低（即 < 25 Kbit/Joule）时，应优先选择共识驱动的联邦学习实现以限制碳排放。此外，量化和稀疏化操作被证明在学习性能和能源消耗之间达到了平衡，从而导致了可持续的联邦学习设计。

Oct, 2023

在技术时代，数据是一种越来越重要的资源。本文介绍了使用树莓派开发的联邦学习（FL）解决方案原型，通过测试其性能和可用性证明了这些技术的可行性，尽管在许多情况下它们没有达到传统方法的性能水平。

Nov, 2023

面向新时代的人工智能 (AI) 网络，关注 AI 的环境影响引起了行业和学术界的关注。联邦学习 (FL) 作为一种关键的隐私保护的分散式 AI 技术已经出现。尽管目前在 FL 方面已经做了努力，但其环境影响仍是一个悬而未决的问题。为了实现 FL 过程的能量消耗最小化，我们提出了编排参与设备的计算和通信资源以同时保证模型的一定性能并最小化所需总能量的软演员批判深度强化学习 (DRL) 解决方案。在培训过程中引入了一项惩罚函数，对违反环境约束的策略进行惩罚，并确保安全 RL 过程。提出了一种设备级同步方法以及计算成本有效的 FL 环境，旨在进一步降低能量消耗和通信开销。评估结果显示所提出的方案在静态和动态环境下与四种最先进的基准方案相比的有效性，能降低总能量消耗高达 94%。

Aug, 2023