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

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

本研究提出了一种数字孪生的工业物联网新架构，通过可信的协作聚合机制，自适应地控制分布式学习频率并异步聚类，来提高学习性能，从而优化其工业4.0的应用效果。

Oct, 2020

本文介绍了数字孪生无线网络（DTWN），并在其中运行了一种基于区块链的联邦学习框架，以协作式计算提高系统的可靠性和安全性并提高数据隐私，并通过多智能体强化学习找到了最优解。

Nov, 2020

本文提出了一种新的框架，叫做联合边缘智能（FEI），以评估物联网网络的能量成本和边缘服务器的本地数据处理能力，从而使边缘服务器适时地请求足够训练令人满意的模型所需的数据。同时，本文引入了映射函数来评估边缘服务器的计算负载，最后采用基于ADMM的方法来优化物联网网络的能量成本和边缘服务器的平均计算资源利用率。该文证明，所提出的算法不会泄露任何数据，也不会泄漏物联网网络的拓扑信息。仿真结果表明，FEI框架可以在有限的牺牲模型收敛性能的情况下，显著提高物联网网络和边缘服务器的资源效率。

Nov, 2020

提出一个联邦深度增强学习框架来解决物联网设备能耗和延迟的多目标优化问题，通过优化转移决策、计算资源分配和传输功率分配来实现；并采用分布式深度增强学习 (DRL) 和深度增强 Q 网络 (DDQN) 解题，辅以联邦学习 (FDL) ，能有效提高物联网设备的学习速度并保护其隐私。

Apr, 2021

本文提出了一种名为FedLE的能源高效客户端选择框架，通过对模型分布相似的客户端进行聚类，延长边缘IoT网络的寿命，以解决IoT设备的数量庞大和因能量限制造成的选举和更新模型的问题。

Feb, 2023

本文通过在大量物联网和边缘设备网络上系统地进行广泛实验，重点关注异构情况，以探究在设备上实施联合学习的可行性，并呈现了其现实世界的特征，包括学习性能和操作成本，为研究人员和从业者提供有价值的见解，促进联邦学习的实用性，并帮助改进现有的联邦学习系统设计。

May, 2023

通过控制数据采样过程，我们可以减轻过拟合问题并提高整体准确性，从而为具有实时感知能力的联邦学习系统中的资源分配提供了有希望的解决方案。

Oct, 2023

网络切片技术通过高效利用和管理网络资源，使得工业物联网（IIoT）网络能够满足多种服务和不同资源需求的增长需求。本研究提出了利用图注意力网络构建网络切片的数字孪生环境，实现实时流量分析、监测和需求预测，同时将资源分配问题形式化为联邦多智能体强化学习问题，并采用深度确定性策略梯度来确定资源分配策略，以保护切片的隐私，实验结果表明所提出的方法能够提高网络切片的需求预测准确性并降低动态网络切片的通信开销。

Jun, 2024