这篇论文介绍了一种完全分布式的联邦学习算法，该算法的优点在于避免了数据披露并具有扩展性商用前景，可以在包括物联网设备在内的网络中使用。

Dec, 2019

在技术时代，数据是一种越来越重要的资源。本文介绍了使用树莓派开发的联邦学习（FL）解决方案原型，通过测试其性能和可用性证明了这些技术的可行性，尽管在许多情况下它们没有达到传统方法的性能水平。

Nov, 2023

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

此文总结讨论了联邦学习在工业物联网应用中的不同场景和可行性，并提出了需要进一步研究的问题和方向。

May, 2021

通过将人工智能（AI）与边缘计算相结合，边缘智能利用终端设备和边缘服务器的计算和通信能力，在数据产生的地方进行处理，从而实现人工智能的大规模和高效部署。其中一项关键技术是隐私保护的机器学习范式 Federated Learning（FL），该范式使数据所有者能够在无需将原始数据传输到第三方服务器的情况下训练模型。然而，FL 网络预计涉及成千上万个异构分布式设备，因此通信效率仍然是一个关键瓶颈。为了减少节点故障和设备退出，提出了一种分层联邦学习（HFL）框架，其中指定的集群领导者通过中间模型聚合支持数据所有者。因此，基于改进的边缘服务器资源利用，本文可以有效弥补缓存容量的限制。为了减轻软点击对用户体验质量（QoE）的影响，作者将用户 QoE 建模为综合系统成本。为解决这个公式化问题，作者提出了一种具有联邦深度强化学习（DRL）和联邦学习（FL）的分散式缓存算法，其中多个代理独立学习并做出决策。

Mar, 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

本文提出一种基于去中心化的分布式联邦学习（DFL）概念，旨在实现 IoT 智能应用的隐私保护与训练效率。文章首先介绍了 DFL 的基础，其次提出了一个包含匹配理论解决方案的 DFL 框架，最后展望了未来研究方向。

Aug, 2020

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

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

联邦学习是用于分散式物联网设备训练机器学习模型的默认方法之一。但是，本研究表明，联邦学习中共享的模型权重可能泄露物联网设备的本地数据分布信息，并且模型权重注入噪声无法有效防止数据泄露。

Aug, 2023