本文提出了一种基于 Multi-Agent Reinforcement Learning 的 Federated learning 框架 - FedMarl，该框架不仅可以显著提高模型精度，还能大幅降低处理延迟和通信成本，从而解决了 Federated learning 在实际应用中的训练效率问题。

Jan, 2022

面向新时代的人工智能 (AI) 网络，关注 AI 的环境影响引起了行业和学术界的关注。联邦学习 (FL) 作为一种关键的隐私保护的分散式 AI 技术已经出现。尽管目前在 FL 方面已经做了努力，但其环境影响仍是一个悬而未决的问题。为了实现 FL 过程的能量消耗最小化，我们提出了编排参与设备的计算和通信资源以同时保证模型的一定性能并最小化所需总能量的软演员批判深度强化学习 (DRL) 解决方案。在培训过程中引入了一项惩罚函数，对违反环境约束的策略进行惩罚，并确保安全 RL 过程。提出了一种设备级同步方法以及计算成本有效的 FL 环境，旨在进一步降低能量消耗和通信开销。评估结果显示所提出的方案在静态和动态环境下与四种最先进的基准方案相比的有效性，能降低总能量消耗高达 94%。

Aug, 2023

将能量收集设备集成到分布式学习网络中，采用多信道 ALOHA 方法，确保低能量中断率和未来任务的成功执行，并通过数值结果证明了该方法的有效性

Sep, 2023

应用能量收集技术改善边缘设备局部训练的能耗问题，使用结构增强的深度强化学习算法提高训练性能，并进行了实际数据集的实验证明了方法的有效性。

May, 2024

本文提出了一种新的基于模型的联邦多智能体强化学习算法，用于协调多个无人机在数据收集任务中，以解决传统多智能体强化学习算法需要大量真实训练数据的问题，并在各个方面取得了良好的表现。

Jun, 2023

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

适应性模型修剪策略的自适应联邦学习方法针对人工智能物联网设备中的异构性因素进行合作学习，通过强化学习的设备选择机制，将异构模型动态地分发给相应的设备进行本地训练，从而实现推断性能的提升。

Nov, 2023

本文研究了在分布式无线网络中使用 Model-Agnostic Meta-Learning（MAML）范式驱动的多任务学习（MTL）过程的能量成本，发现该方法可以通过联邦学习减少能量开支至少两倍，并且无线网络的最佳能量平衡取决于上行 / 下行和侧向链接通信效率。

Dec, 2022

在本文中，我们提出了一种名为 RE-FL 的新方法，该方法解决了资源受限设备中计算和通信挑战的问题。我们的可变修剪技术通过根据每个客户端的计算能力进行修剪来优化资源利用。我们还使用知识蒸馏来减少带宽消耗和通信轮次。对图像分类任务的实验结果证明了我们的方法在资源受限环境中保持数据隐私和性能的有效性，同时适应了异构模型架构。

Aug, 2023

该文章提出了一种称为 FLAME 的新型 FL 训练方法，通过用户中心的训练、准确性和效率地设备选择以及模型个性化，克服了多设备环境中的统计和系统的异质性，并在人体活动识别中表现出更好的性能和效率。

Feb, 2022