本文提出了第一种基于学习的 Coding-theoretic 解决方案，通过使用神经网络架构和训练方法，学习编码和解码函数来处理非线性计算，结果表明学习可以是设计码的有效技术，并且学习到的码是将编码优势应用于非线性计算的极具前途的方法。

Jun, 2018

本文提出了一种注入结构编码冗余的编码计算框架 CodedFedL，用于在 MEC 网络中进行非线性联合学习，通过利用计算统计属性和通信延迟，找到客户端处理的本地数据点数量和编码冗余量，从而加快训练过程中的收敛速度，并分析了 CodedFedL 的收敛率和迭代复杂度。

Nov, 2020

探究编码算法在分布式机器学习中的应用，研究矩阵乘法和数据洗牌两种算法中应用编码技术减少 straggler 和 communication bottlenecks 时的优化效果，理论分析和实验结果均证明编码算法具有显著的优势。

Dec, 2015

本文提出了一种基于编码计算的分布式图处理框架，通过结构性冗余注入来在消息交换时实现编码的多播机会，从而大规模减少了通信负载，理论分析证明该方案在两种流行的随机图模型（Erdos-Renyi 模型和幂律模型）中实现了计算负载和平均通信负载之间的（近似）反比例线性折衷，实验结果表明该方案在 PageRank 计算中具有显着提高。

Jan, 2018

本文介绍了一种针对分布式计算的编码框架，通过在某些线性计算任务中引入 “计算延迟” 和 “通信负载” 之间的权衡来解决延迟和通信负载问题，从而实现在延迟和负载之间取得权衡来执行分布式计算任务。

Sep, 2016

CodedFedL extends CFL to distributed non-linear regression and classification problems with multioutput labels by exploiting distributed kernel embedding using random Fourier features that transforms the training task into distributed linear regression, providing an analytical solution for load allocation and significant performance gains over benchmark datasets using practical network parameters.

Jul, 2020

提出 Lagrange 编码计算（LCC）框架，用于提高分布式学习算法的可靠性、安全性和隐私性，加速分布式最小二乘线性回归等计算，同时优化容忍失败节点和对抗者的最大数量，以及防止最大数量的共谋工作的数据隐私。

Jun, 2018

该研究提出了一种基于连续逼近的分布式计算框架，以解决优化问题，特别是针对最终价值计算过程中计算时间不相同（由于处理器延迟或者出错）的情况，其中矩阵 - 向量乘法的编码定理和优化方案也被探讨。

Oct, 2017

提出一种强大的分布式计算框架，通过随机化草图和极化码的概念，能够进行近似和精确的线性操作计算，并在实践中展示了其可扩展性。

Sep, 2023

本研究提出了一种编码联邦学习方法，解决了异构计算平台上 (如无线边缘) 的迟滞计算和通信以及时模型更新的问题，并通过预计算冗余渐变来加速全局模型收敛达四倍以上。

Feb, 2020