本研究探讨了联邦学习在通信噪声存在时的性能，提出了新的收敛性分析，指出上行和下行信噪比需随通信轮数增长以保持收敛性。同时，研究了基于设备对设备网络的改进方法，提出了AMC-Net和SplitAMC等新技术，以提高自动调制识别的准确性和效率。

本文探讨了深度学习在无线通信信号调制分类中的应用，提出了多种神经网络架构和优化技术，以提高分类的准确性和效率。研究重点包括自动调制识别和卷积神经网络模型在不同信噪比下的表现，强调了其在资源受限设备上的应用潜力。

该文综述深度学习在自动调制识别（AMC）中的研究，涵盖多种方法：提出GAN防御方法抵御对抗攻击，将DNN分类准确率提升至约81%；SplitAMC基于分离学习兼顾隐私与低延迟；AMC-Net在频域降噪并多尺度提取特征；MoE-AMC用混合专家模型均衡不同信噪比下的识别。此外还探讨了对抗样本攻击与对抗训练鲁棒性、子采样数据在线分类及大规模MIMO功率分配网络的安全脆弱性。