提出了一种基于超过空气计算的方法，探索了无线多接入通道的叠加属性，用于边缘机器学习中的快速全局模型聚合。

Dec, 2018

本文提出了一种基于智能反射表面的过空计算（AirComp）联邦学习（FL），通过联合优化设备选择、基站聚合波束成形器和IRS相位变化，以最大限度地提高每一轮通讯中参与模型聚合的设备数量，以达到在一定的均方误差（MSE）要求下快速、可靠的模型聚合。仿真结果表明，与基线算法相比，所提出的算法和IRS的部署可以实现更低的训练误差和更高的FL预测准确度。

Nov, 2020

本文提出了一种基于聚类的两层联邦学习算法，使用可扩展的聚类无线聚合方案实现算法的上行传输，使用适用于带宽受限的广播方案进行下行传输，展示了在干扰环境下该方法的高精度学习表现并导出该方法的收敛界。

Nov, 2022

提出了一种不需要复杂编码-解码方案来重建信道系数，从而提高多智能体系统中联合学习的效率和隐私保护的方法。

May, 2023

本文综述了 OTA-FL 技术的发展和应用，并从系统设置、安全与隐私等方面对 OTA-FL 进行分类和分析，提出了未来 OTA-FL 系统性能、可靠性和可信度的挑战和发展方向。

Jul, 2023

使用过空中计算的联邦学习方法，研究了在无线网络上进行联邦学习时由于信道衰落和噪声引起的模型聚合误差，包括收敛性、影响、收敛速率、传输方案和通信效率等方面，并通过仿真验证了理论结论。

Oct, 2023

这项研究提出了一种用于解决分层联邦学习在无线网络中可扩展性和干扰、设备数据异质性的挑战的学习方法，并通过优化的接收器归一化因子来减小干扰的影响。通过使用随机几何建模多簇无线网络并将聚合估计的均方误差作为网络参数的函数进行表征，论文证明了在干扰和数据异质性的情况下，所提出的方案实现了较高的学习准确性，并且可以显著优于传统的分层算法。

Jan, 2024

通过无线信道特性的迭加性以及动态调整的全局梯度更新步长，我们提出了一种适用于无线环境下的模型训练框架中AdaGrad和Adam的联邦版本。通过推导包含信道衰落和干扰影响的广泛非凸损失函数训练算法的收敛速率，我们得出了使用AdaGrad的算法以O(ln(T)/T^(1-1/α))的速率收敛到一个静止点，其中α代表电磁干扰的尾指数。相比之下，类似Adam的算法以O(1/T)的速率收敛，说明它在加快模型训练过程上的优势。我们进行了大量实验证实了理论发现，并证实了我们提出的联邦自适应梯度方法的实际有效性。

Mar, 2024

在本文中，我们考虑了一种联合设备选择和聚合波束成形设计的问题，目标是最小化聚合误差和最大化选择的设备数量，提出了一种基于随机采样的聚合波束成形方案，并使用渐近分析研究了当设备数量增多时，聚合误差和选择的设备数量。通过大量的模拟结果证明了提出的随机聚合波束成形方案和改进方法的有效性。

Feb, 2024

近期，无线通道超插值特性在Over-the-Air（OTA）计算中被应用于快速模型更新的有前景的联邦学习（FL）范式。本文针对OTA-FL收敛进行了OTA设备预缩放器的设计研究，并通过数值评估表明，最小化FL更新的方差并允许一定偏差的OTA设备预缩放器可以带来显著的收益。

Mar, 2024