我们提出一种在物联网基础设施上，针对资源受限的移动健康和可穿戴技术的隐私保护边缘联邦学习框架，并通过在 Amazon 的 AWS 云平台上使用可穿戴技术监测癫痫的发作检测应用的实施评估了我们提议的框架。

May, 2024

通过使用模拟技术，FLISM 框架能够学习稳健的表示，以处理缺失的传感器模态，并在模态不同的客户端之间传递模型知识。通过使用三个真实世界数据集和模拟结果进行评估，FLISM 在模型性能和系统效率之间取得了有效的平衡，提高了 F1-score 的 0.067 平均改进，并相较于解决不完整模态的现有方法，减少了通信（2.69 倍更快）和计算（2.28 倍更高效）开销。此外，在涉及更多模态任务的模拟场景中，FLISM 在通信效率上实现了 3.23 倍～85.10 倍的显著加速和 3.73 倍～32.29 倍的计算效率提升。

May, 2024

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

本文综述了现有文献中所提出的基于联邦学习的预测人类移动性、交通预测、社区探测、基于位置的推荐系统和其他时空任务的模型，阐述了这些模型所使用的指标和数据集，并与中心化模型进行比较。最后，讨论了在分散式学习中应用时空模型所面临的挑战，并提出了未来研究的机会和方向。

May, 2023

pFedKnow 是一个 SemiFL 框架，它通过神经网络剪枝技术生成轻量级的个性化客户端模型以降低通信成本，并将预训练的大型模型作为先验知识来指导个性化客户端模型的聚合，以进一步提高框架性能。

Mar, 2023

本文介绍了联邦学习技术与移动边缘计算的应用，讨论了在大规模和复杂的移动边缘网络中实现联邦学习所面临的挑战以及现有解决方案，探讨了联邦学习在移动边缘网络优化中的应用，以及未来的研究方向与挑战，包括保护隐私与安全。

Sep, 2019

该论文提出了一种基于区域的联邦学习系统（ZoneFL），旨在通过将地理空间划分为区域并针对用户数据和行为适应区域模型，同时保护用户数据隐私。该论文提出了两个新的区域级联训练算法（ZMS 和 ZGD），并证明了使用 ZoneFL 进行心率预测和人类活动识别可以获得更好的性能。

Mar, 2023

提出了一个新的联邦学习框架 FedImT，专门解决联邦学习场景中的类别不平衡问题。FedImT 包含一个在线方案，可以在每轮聚合期间估计数据组成，并引入一种自衰减迭代等价物来跟踪多个估计值的变化，并及时调整损失计算的平衡，以解决少数类别的问题。实验证明了 FedImT 在解决不平衡问题上的有效性，同时没有额外的能源消耗和隐私风险。

Oct, 2023

提出了一种基于边缘计算场景的去中心化区块链联邦学习（FL）结构，利用区块链提高 FL 结构的安全性，并应用区块链创建 FL 的奖励机制以实现训练者的激励策略。

Nov, 2023

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