边缘智能结合人工智能和边缘计算，通过Federated Learning实现隐私保护的机器学习。分层联邦学习框架提高通信效率。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。

Federated Learning是一种新的学习范式，解决了使用机器学习或深度学习模型时的隐私泄漏问题。FedCC是一种强大的聚合方法，通过比较不同层的标准核对模型表示。实验结果表明，它可以缓解模型污染和后门攻击，并且在非独立同分布数据环境中也有效。

FedPrompt是一种结合了prompt tuning和federated learning的新方法，以提高FL方法的效率并保护数据隐私。该方法使用模型拆解聚合的方式来使用prompt tuning，减小了通信成本，同时在IID和Non-IID数据分布上保证准确性，并在实验中证明了其可靠性。

MIFA算法解决了Federated Learning中设备不可用的问题，并使用从设备中记忆的最新更新来校正梯度偏差。实验证明，MIFA在非独立同分布数据上实现了最优收敛率，并在真实世界数据集上取得了良好的结果。