该文章介绍了一种基于多跳聚类的分层联邦学习框架，解决车辆自组织网络中的通信资源有限、车辆移动性高和数据分布多样性等问题。框架使用平均相对速度和FL模型参数的余弦相似度的加权组合作为聚类度量，确保收敛性。同时，框架还包括管理聚类头的平滑过渡机制和向指定簇头传递最新FL模型参数的新机制。通过广泛的仿真实验，证明了该分层联邦学习系统在提高准确性和收敛时间方面的显著改进，并维持了可接受的分组开销水平。

边缘智能通过结合人工智能和边缘计算，在数据产生的地方进行处理，实现大规模和高效部署。分层联邦学习框架减少节点故障和设备退出。作者提出了一种具有联邦深度强化学习和联邦学习的分散式缓存算法。

本文提出了一种利用非正交多址接入技术的分层联邦学习系统，旨在最小化时间和能源成本。通过模糊逻辑的客户端编排策略和边缘服务器调度和资源分配问题的解决，实现了分层联邦学习性能提升和总成本降低。

该文介绍了一种新的分层联邦学习方法 - 分层独立子模型训练（HIST），通过将全局模型划分为不相交的子模型，并将它们分布在不同的细胞中来解决分层环境下的计算、存储和通信负担问题。作者证明了 HIST 对于非凸损失函数的收敛行为，并展示了几个属性对性能效率权衡的影响。数值实验验证了 HIST 能够大幅节省通信成本，并实现相同的目标测试准确率。