通过采用合作式联邦非监督对比学习 (CF-CL)，在边缘设备之间进行交换未标记数据 / 嵌入的智能信息推送 - 拉取方法，以改善本地多样性，并在全球模型训练中实现更快速、更高效的结果，适用于数据分布不均的极端情况。

Apr, 2024

本文提出了一种基于合作推拉式数据共享机制的联邦学习方法，能够在分布式边缘设备上进行无监督对比学习，提高非独立同分布条件下的模型表现和收敛速度。

Aug, 2022

本文提出了一种在无线边缘设备间通过分布式学习模型的联合训练方式，使用 Decentralized Stochastic Gradient Descent 协议实现设备间协同训练，通过适应路径损耗、衰落、阻挡和干扰等因素的技术，在物理层上利用稀疏基础恢复实现了无线波传输和计算的处理。

Feb, 2020

该研究探讨了基于设备对设备（D2D）网络的联邦学习，在分布式随机梯度下降算法实现中，利用随机线性编码和空中计算的数字和模拟传输方案进行通信效率的改进，并且在假设凸性和连通性的情况下提供了收敛性结果。

Jan, 2021

在无线设备到设备（D2D）网络中，去中心化联邦学习（DFL）作为智能移动设备普及的产物引起了极大的兴趣。DFL 相对于集中式联邦学习（CFL）降低了由于通信瓶颈而导致的中央服务器故障的风险。然而，DFL 面临着许多挑战，如多样环境中数据分布的严重异质性，以及 D2D 网络中采用用户数据报协议（UDP）导致的传输中断和包错误等。为了解决这些挑战，我们对 DFL 进行了全面的理论收敛性分析，并推导出一个收敛限。在该收敛限中，我们定义了一种称为不可靠链路感知邻域差异的新颖量，并制定了一个可解的优化目标，开发了一种考虑 DFL 中表示差异和不可靠链路的拓扑学习方法，命名为 ToLRDUL。在特征偏斜和标签偏斜的情况下进行了大量实验验证了我们提出方法的有效性，实验结果与我们的理论发现相一致，显示出了提高收敛速度和测试精度。

Dec, 2023

提出了一种新的强化联邦学习（RFL）框架，通过深度强化学习在聚合过程中自适应优化客户贡献，提高模型对恶意客户的鲁棒性和参与者之间的公平性，在非独立分布的情况下实现鲁棒性和公平性，并通过验证集性能引导的奖励机制获得了可靠性和公平性的可比较水平。

Feb, 2024

提出一种合作的边缘 / 雾设备机器学习范例 — 合作联邦学习 (CFL)，通过设备之间和设备与服务器之间的协作，实现模型 / 数据 / 资源池化机制，以解决边缘 / 雾网络中网络异构性问题，提高机器学习模型的质量和网络此消耗。同时，该范例还支持无标签数据和异构设备隐私等新功能。

Mar, 2023

该研究提出了一种新的联邦学习框架，利用无标签的开放数据集和基于蒸馏的半监督学习算法，实现了模型的交流和性能的提高，并通过熵的减少平均值来减少模型之间的异质性。实验结果表明，相对于 FL 基准，DS-FL 能降低高达 99% 的通信成本，同时达到相似甚至更高的分类准确性。

Aug, 2020

在高度普及的边缘场景中，缺乏中央控制器和预定的设备连接导致了复杂的网络结构，我们提出了一种通信高效的分散式联邦学习（DFL）算法来解决由数据和不同训练历史引起的异构学习难题，研究结果表明，与竞争方法相比，我们的解决方案能够训练出更好的本地模型并且在通信效率上更为优越。

Dec, 2023

去中心化联邦学习解决方案的综述，包括现有的方法和未来的研究方向。

Aug, 2023