本文研究了联邦学习的碳排放问题，发现与集中式机器学习相比，联邦学习的碳排放量可能高达两个数量级，但在一些情况下，由于嵌入式设备的能耗降低，两者的碳排放量是可比较的。作者探讨了算法效率、硬件能力和行业透明度等课题，以降低联邦学习对环境的影响。

Feb, 2021

提出了基于可再生能源、FedZero 的联邦学习系统，利用能量和负载预测，在历史太阳能和负载状况的基础上，选择客户端进行快速收敛和公平参与，从而将训练的操作碳排放降至零。

May, 2023

Federated Learning 通过自适应成本感知的客户端选择策略优化任意成本指标，将资源效率提高到时间 - 准确性之间的最优化问题解决掉，并通过设计碳效率的 Federated Learning 模型，以其能耗的碳排放强度为成本，在减少碳排放和训练时间方面具有显著的优势。

Oct, 2023

通过提出一个名为 CAFE 的框架，同时优化学习性能和减少环境影响，本研究重点探讨了在各地数据中心分布的条件下训练大规模人工智能模型所面临的挑战。

Nov, 2023

本论文提出了一种新的框架，用于分布式和联邦学习（FL）的能源和碳足迹分析，研究了完全分散方法和共识方法的能源足迹和碳排放。这个框架量化了基于连续改进的学习三个环节的能源消耗，使用了两个 5G 行业垂直的案例对其进行了分析，结果表明能源消耗和测试准确度应该通过模型和数据足迹来平衡。

Jun, 2022

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

基于无隐藏层神经网络的联邦学习方法在单次训练中生成全球协作模型，同时保护数据隐私和节省能源。

Dec, 2023

本文提出了一种个性化的联邦学习（CFL）系统，通过特殊设计的全局模型为每个客户定制个性化模型，采用在线训练的模型搜索辅助器和新型聚合算法，解决 FL 在多个维度上的异质性问题。实验证明，CFL 在 FL 训练和边缘推断方面具有全栈优势，并显著改进了模型准确性（在非异构环境中高达 7.2％，在异构环境中高达 21.8％）、效率和公平性。

Feb, 2023

研究围绕联邦学习，提出使用强大的服务器模型帮助边缘设备解决模型容量问题，通过选择性地从多个客户端和自己进行学习，开发了深度知识并返回给客户端，取得了在图像分类任务中的优秀性能。

Oct, 2021

通过提出一个可评估机器学习模型可行性的新方法，本文在实际基站测量的基础上，对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估，发现较大的机器学习模型在性能上略有提升，但在碳足迹方面产生了显著的环境影响，使其在实际应用中不切实际。

Sep, 2023