适应性异构联邦学习 (AdapterFL) 通过模型重组策略在资源受限的移动计算系统中实现大规模异构移动设备的协同训练，提高了综合性能并解决了资源不足的问题。

Nov, 2023

随着越来越多的物联网设备在现场部署，将神经网络的训练卸载到中央服务器变得越来越不可行，本文调查了联合学习在克服异构性挑战方面的应用和益处。

Jul, 2023

该研究基于一项新的分类机制，综合分析和总结了现有各种异步 FL 范式，包括异构设备上的设备异构性、数据异构性、隐私和安全性，以及异构设备上的应用。该研究揭示了该领域面临的挑战并提出了潜在的研究方向。

Sep, 2021

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

本文通过在大量物联网和边缘设备网络上系统地进行广泛实验，重点关注异构情况，以探究在设备上实施联合学习的可行性，并呈现了其现实世界的特征，包括学习性能和操作成本，为研究人员和从业者提供有价值的见解，促进联邦学习的实用性，并帮助改进现有的联邦学习系统设计。

May, 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

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

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

在本文中，我们提出了一种名为 RE-FL 的新方法，该方法解决了资源受限设备中计算和通信挑战的问题。我们的可变修剪技术通过根据每个客户端的计算能力进行修剪来优化资源利用。我们还使用知识蒸馏来减少带宽消耗和通信轮次。对图像分类任务的实验结果证明了我们的方法在资源受限环境中保持数据隐私和性能的有效性，同时适应了异构模型架构。

Aug, 2023

本篇文章提出了 FedAdapt，这是一种联邦学习框架，通过层次化的离线和强化学习优化，将深度神经网络中的特定层进行远程卸载，以解决物联网设备执行效率、设备计算异构性和网络带宽变化等方面的挑战，实验证明，相比传统的联邦学习，FedAdapt 可以将典型物联网设备的训练时间缩短一半以上，可以将极端滞后的训练时间和总体训练时间缩短高达 57％，在不损失准确性的情况下还可以将训练时间缩短多达 40％。

Jul, 2021