在线评分辅助的联邦学习：应对无线网络中的资源限制

提出了一种处理异构用户设备数据的联邦学习算法，优化了微波资源分配，实现了收敛速率和能耗之间的平衡。

研究了边缘网络上进行联邦学习的挑战，提出了数据感知调度的通用框架，并讨论了数据评估的主要轴和要求。

提出了一种适用于蜂窝无线网络的联合学习算法，证明了其收敛性，并研究了局部计算步骤和通信步骤对算法收敛的影响。

提出了一种名为LESSON的方法，通过选择不同频率上传模型的客户端解决异质客户端设置下的延迟问题，模拟结果显示其收敛速度和模型准确性优于其他算法。

综述了联邦学习、元学习和联邦元学习在非无线与无线网络中的设计、优化和应用，分析了这些学习算法的优缺点。

提出了一种异步模型传输的联邦学习方法，通过调度张量优化资源分配和设备调度，实现能量消耗和性能的高效平衡。

强调了联邦学习在未来移动网络，尤其是6G及以上中的关键作用。

提出了一种解决异构设备数据和通信延迟的联邦学习框架，通过数学分析研究收敛性和延迟，显著减少计算和通信延迟。

提出了一种半联合学习范式，将基站和设备的计算能力结合，提高了通信效率，并通过联合优化减少最优性差距。

讨论了实现可扩展无线联邦学习的挑战和解决方案，提出了三种面向任务的学习算法以提高算法的可扩展性。