本文研究了无线联邦学习中的物理层量化和传输方法，提出了多种量化算法以提高通信效率和降低能耗。实验结果表明，自适应量化策略能够在保持模型准确性的同时显著减少通信比特数，并加速收敛速度。此外，研究探讨了量化误差对收敛时间的影响，并提出了优化能耗和性能的联合设计方法。

该文综述无线联邦学习的通信效率优化，涵盖数字与模拟传输、量化、空中计算及资源分配。研究表明，模拟传输和OTA方案在非独立同分布数据下收敛更优；量化可降低带宽并保持精度；联合优化用户选择与资源分配能减少能耗和延迟，提升收敛速度。

该文综述无线联邦学习中的设备调度与空中计算技术，涵盖PO-FL概率调度、OTA-FL收敛性分析、中继辅助调度、D2D随机编码、差分隐私保护及带宽分配优化，以缓解信道噪声、提升通信效率与收敛速度。

该文综述无线联邦学习的研究进展，涵盖异步联邦学习的概率客户端选择与带宽分配优化、数据异构下的调度与资源分配及本地训练轮数优化、以用户为中心的个性化聚合规则、全局与个性化模型分离以剪枝并降低约50%计算通信延迟、联合用户选择与资源块分配以最小化损失、网络设计与资源编排提升可扩展性、收敛速率与能耗平衡、LESSON按频率选择客户端加速收敛，以及基于区块链的安全框架防御中毒与成员推断攻击。