异步无线联邦学习与概率客户端选择
本文探讨了异步联邦学习中客户端个体任意通信模式对参数服务器的影响。我们提出了 FedMobile，这是一种利用移动联邦系统的便利性来提高学习性能的新型异步 FL 算法，并且验证了我们的理论发现。
Jun, 2022
本文提出了一种应用于多个下游任务的异步模型传输的联邦学习方法，通过引入调度张量来表征设备调度，并通过收敛性分析探究了资源分配、设备调度和个体模型状态等对机器学习性能的影响，进而通过非凸混合整数优化问题来调整资源分配和设备调度，以在能量消耗和性能之间达到高效平衡，并通过数值模拟揭示了该方法在模型性能和网络资源节约方面的优势。
May, 2023
本文提出了一种考虑到客户端数据数量、传输速率、传输错误和可信度的风险感知加速联邦学习框架，通过根据客户端的位置相关性能和可信度进行分类，并提出了一种动态的风险感知全局模型聚合方案，使客户端根据传输速率和可信度限制按照降序和升序参与，从而加快收敛速度。数值结果显示，与两个基准方案相比，所提出的方案在精确度和收敛速度上具有明显的优势。
Jan, 2024
研究在有限能源预算的设备上训练机器学习模型时，联邦学习在无线网络中的性能表现，提出了一种基于概率的客户端选择和功率分配方法，通过交替算法解决该问题，并与其他基准进行了比较，结果表明该方法在能源消耗、完成时间和准确性方面取得了显著的性能。
Jan, 2024
该论文提出了一种名为 LESSON 的方法，它通过选择不同频率上传模型的客户端来解决异质客户端设置下的延迟问题，加速收敛速度并避免模型过度拟合。模拟结果表明，LESSON 的收敛速度比 FedAvg 和 FedCS 更快，模型准确性比 FedCS 更高。
Oct, 2022
提出了一种全新的异步架构的多服务器联邦学习系统，解决了同步通信导致的服务器空闲时间和单服务器成为瓶颈的问题，与之前的基线方法相比，收敛速度更快且在地理分布环境中所需时间减少了 61%。
Jun, 2024
本文讨论在无线网络中的联邦学习，研究如何在联邦学习网络中优化资源分配，同时兼顾长期和短期的因素，提出一种新的算法来解决这一问题，并在实验中得到不错的表现。
Apr, 2020
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
该研究针对无线网络中多个联合学习服务，探究了一个基于数据质量感知的动态客户端选择问题，提出了一个多智能体混合深度强化学习算法以优化客户端选择和付款行为，同时避免行动冲突，并给出了模拟结果表明该算法显著提高了训练性能。
Aug, 2022
联邦学习是机器学习领域中迅速发展的领域，允许数据在多个分散设备上进行训练。客户端选择是整个系统性能的关键因素。本调查综述了联邦学习中最先进的客户端选择技术，包括它们的优点、局限性以及需解决的挑战和开放问题。我们涵盖了传统的选择技术，例如随机选择，其中选择所有或部分随机的客户端进行训练。我们还涵盖了面向性能和面向资源的选择，适用于资源受限和异构网络。我们还讨论了客户端选择在模型安全增强中的使用。最后，我们讨论了动态约束和异构网络中的客户端选择相关的开放问题和挑战。
Nov, 2023