Decentralized Proactive Model Offloading and Resource Allocation for Split and Federated Learning
针对物联网边缘环境中分割联邦学习存在的资源异构、分配影响及隐私泄露等问题，提出去中心化主动模型卸载与资源分配方案（DP-MORA），在满足数据泄露风险约束下最小化训练延迟。
2024-12-20 cs.DC
Energy-efficient Federated Learning with Dynamic Model Size Allocation
本文提出碳感知联邦学习框架CAMA，通过动态调整模型规模并利用可再生过剩能源与空闲算力，在保证公平参与和快速收敛的同时降低碳排放。
2024-11-23 cs.DC
Optimal Batch Allocation for Wireless Federated Learning
Hanyang University（汉阳大学）；Pusan National University（釜山大学）
本文研究无线联邦学习完成时间优化，提出逐步批次分配方法，证明其对TDMA系统最优，并能显著减少RA系统的完成时间。
2024-04-03 cs.DC cs.LG
FedSem: A Resource Allocation Scheme for Federated Learning Assisted Semantic Communication
本文提出FedSem系统，融合联邦学习与语义通信，并通过凸优化分解方法解决联合能耗、时延、精度与压缩率的资源分配问题，实验验证其优于基线方法。
2025-03-08 cs.DC
Device Association and Resource Allocation for Hierarchical Split Federated Learning in Space-Air-Ground Integrated Network
Jiangsu Key Laboratory of Wireless Communications, Nanjing University of Posts and Telecommunications（江苏无线通信重点实验室，南京邮电大学）
本文提出分层分割联邦学习框架，通过设备关联与资源分配优化提升天地一体化网络中联邦学习的训练效率和模型精度。
2026-02-05 cs.DC cs.LG
Resource Optimization for Blockchain-based Federated Learning in Mobile Edge Computing
随着移动边缘计算（MEC）和基于区块链的联邦学习（BCFL）的发展，许多研究建议在边缘服务器上部署BCFL。在这种情况下，资源有限的边缘服务器需要以具有成本效益的方式为移动设备提供卸载任务，并为BCFL系统提供模型训练和区块链共识，而不会牺牲任何一方的服务质量。为了解决这一问题，提出了一种边缘服务器的资源分配方案，旨在以最小的代价提供最优的服务。具体来说，我们首先分析MEC和BCFL任务所消耗的能量，然后使用每个任务的完成时间作为服务质量约束。然后，我们将资源分配挑战建模为多变量、多约束和凸优化问题。为了以渐进的方式解决这个问题，我们设计了两个算法的基础上交替方向的乘法器（ADMM）在同构和异构的情况下，平等和按需的资源分配策略，分别。我们提出的算法的有效性证明了通过严格的理论分析。通过大量的实验，我们提出的资源分配方案的收敛性和效率进行了评估。据我们所知，这是第一个工作，调查边缘服务器的资源分配困境BCFL在MEC。
2022-06-05 cs.DC
Social Welfare Maximization in Cross-Silo Federated Learning
作为联邦学习（FL）的典型设置之一，跨筒仓FL允许组织联合训练最优的机器学习（ML）模型。在这种情况下，一些组织可能会试图获得全球模式，而不贡献他们的本地培训，降低了社会福利。本文首次将跨筒仓物流中的组织间互动建模为一个公共物品博弈，并从理论上证明了存在一个纳什均衡中社会福利未达到最大化的社会困境。为了克服这种社会困境，我们采用多人多行动零决定（MMZD）策略，以最大限度地提高社会福利。在MMZD的帮助下，单个组织可以单方面控制社会福利而无需额外成本。实验结果验证了MMZD策略在最大化社会福利方面的有效性。
2022-03-01 cs.DC cs.GT
Client Selection and Bandwidth Allocation in Wireless Federated Learning Networks: A Long-Term Perspective
University of Miami（迈阿密大学）
本文研究了联邦学习（FL）在一个经典的无线网络，其中学习客户端共享一个共同的无线链路到协调服务器执行联邦模型训练使用他们的本地数据。在此类无线联邦学习网络（WFLN）中，优化学习性能至关重要，这取决于如何选择客户端以及如何在每轮学习中在所选客户端之间分配带宽，因为无线电和客户端能源资源都是有限的。虽然现有的工作已经做出了一些尝试，以分配有限的无线资源，以优化FL，他们专注于在个别学习轮的问题，忽略了一个固有的，但关键的特点，联邦学习。本文带来了一个新的长期的视角，资源分配在WFLN，实现学习轮不仅是时间上相互依赖的，但也有不同的意义，对最终的学习成果。为此，我们首先设计数据驱动的实验，以表明不同的时间客户端选择模式导致相当不同的学习性能。与所获得的见解，我们制定了一个随机优化问题的联合客户端选择和带宽分配下的长期客户端的能量约束，并开发了一种新的算法，只利用目前可用的无线信道信息，但可以实现长期的性能保证。进一步的实验表明，我们的算法在所需的时间客户端选择模式的结果，是适应不断变化的网络环境，远远优于基准忽略FL的长期影响。
2020-04-09 cs.DC cs.LG
AIGC-assisted Federated Learning for Vehicular Edge Intelligence: Vehicle Selection, Resource Allocation and Model Augmentation
本文提出GenFV，一种AIGC辅助的联邦学习框架，通过EMD加权策略和双尺度算法解决车辆数据异构与资源分配问题，显著提升动态环境下联邦学习的性能与鲁棒性。
2025-03-25 cs.DC
Adaptive incentive for cross-silo federated learning: A multi-agent reinforcement learning approach
Shanghai Jiao Tong University（上海交通大学）；Shandong University（山东大学）；Zhejiang Lab（之江实验室）
跨筒仓联邦学习（FL）是一种典型的FL，它使组织（例如，金融或医疗实体）来在隔离数据上训练全局模型。合理的激励是鼓励组织贡献数据的关键。然而，关于激励跨筒仓FL的现有工作缺乏对环境动态的考虑（例如，训练的全局模型的精度和训练过程中不确定客户端拥有的数据）。此外，他们中的大多数人认为组织共享私人信息，这是不现实的。为了克服这些限制，我们提出了一种新的自适应机制，跨筒仓FL，激励组织贡献数据，以最大限度地提高他们的长期回报在一个真正的动态培训环境。该机制基于多智能体强化学习，在不需要组织私有信息的情况下，从潜在博弈的历史中学习接近最优的数据贡献策略。实验结果表明，该机制实现了自适应激励，有效地提高了组织的长期收益。
2023-02-15 cs.AI cs.DC cs.LG
Fed-pilot: Optimizing LoRA Allocation for Efficient Federated Fine-Tuning with Heterogeneous Clients
University of Nevada, Reno（内华达大学拉斯维加斯分校）
提出Fed-pilot框架，通过背包优化选择LoRA模块子集，并采用动态补偿聚合规则，解决异构客户端内存约束下的联邦微调问题，实验证明其有效性和高效性。
2025-06-20 cs.DC cs.LG
Alliance Makes Difference? Maximizing Social Welfare in Cross-Silo Federated Learning
本文将跨孤岛联邦学习中组织间的交互建模为公共物品博弈，揭示了纳什均衡下无法实现最大社会福利的困境，并提出采用多人多动作零决定子（MMZD）策略及MMZD联盟（MMZDA）来有效最大化社会福利。
2023-07-29 cs.DC cs.GT
Client Selection and Bandwidth Allocation for Federated Learning: An Online Optimization Perspective
联邦学习（Federated Learning，FL）可以从客户端的局部数据集训练出全局模型，充分利用客户端的计算资源，在保护用户信息需求的前提下，对客户端进行更广泛、更高效的机器学习。现有的研究多集中在每轮资源受限的情况下优化FL的准确性，而在无线联邦学习中全面考虑延迟、准确性和能耗的研究较少。受此启发，在本文中，我们调查FL在无线网络中的客户端选择和带宽分配是两个关键因素，显着影响延迟，准确性和能源消耗的客户端。我们制定的优化问题作为一个混合整数的问题，这是最小化的时间和精度的成本内的长期能源约束的所有回合。为了解决这个优化问题，我们提出了Perround Energy Drift Plus Cost（PEDPC）算法，并在IID和NON-IID数据分布的延迟，准确性和能耗方面的仿真结果中验证了PEDPC算法的性能。
2022-05-10 cs.DC cs.NI
FAIR-Compute: A Roadmap for Fair and Efficient Allocation of Federated Digital Research Infrastructure
Queen Mary University of London（伦敦大学玛丽女王学院）
FAIR-Compute 针对联邦数字研究基础设施的分配问题，结合多领域方法与实证研究，发现资源分配存在占用与利用率偏差、调度可优化、联邦需管控等关键问题，提出相关路线图方向。
2026-07-31 cs.DC
FedRA: A Random Allocation Strategy for Federated Tuning to Unleash the Power of Heterogeneous Clients
Fudan University（复旦大学）
针对联邦学习中异构客户端资源不足难以完整微调基础模型的问题，提出基于随机分配矩阵、用适配器微调少量层的FedRA算法，可适配无客户端能承载完整模型的场景，在多数据集非独立同分布设置下性能显著优于对比方法。
2024-03-12 cs.AI cs.DC cs.LG
Dynamic Privacy Allocation for Locally Differentially Private Federated Learning with Composite Objectives
KTH Royal Institute of Technology（KTH皇家理工学院）
本文提出一种局部差分隐私联邦学习算法，通过动态分配时变噪声方差以最小化优化误差上界，在隐私预算约束下同时实现隐私保护与效用，无需调整迭代次数且性能优于现有方法。
2023-08-02 cs.CR cs.DC cs.LG
User Assignment and Resource Allocation for Hierarchical Federated Learning over Wireless Networks
Nanyang Technological University（南洋理工大学）
本文针对无线网络下分层联邦学习中的用户分配与资源分配问题，提出频谱资源优化算法SROA和两阶段迭代算法TSIA，以联合降低系统能耗和延迟。
2023-09-17 cs.DC cs.LG
Adaptive Task Allocation for Asynchronous Federated and Parallelized Mobile Edge Learning
University of Idaho（爱达荷大学）；Queen’s University（女王大学）
本文提出了一种方案，以异步方式有效地执行分布式学习任务，同时最大限度地减少梯度老化的异构计算和通信能力的无线边缘节点。本文中考虑的方法确保所有设备在一定的持续时间内工作，该持续时间涵盖数据/模型分发、学习迭代、模型收集和全局聚合的时间。所得到的问题是一个整数非凸规划，二次等式约束以及线性等式和不等式约束。由于该问题是NP-难的，我们放松了整数约束，以便有效地解决它与可用的求解器。分析边界推导出使用KKT条件和拉格朗日分析结合的最佳和改进的方法。实验结果表明，该方法降低了梯度失效率，并能提供更好的准确性比同步计划和异步计划的平等任务分配。
2020-06-18 cs.DC cs.LG
FeDMRA: Federated Incremental Learning with Dynamic Memory Replay Allocation
Huazhong University of Science and Technology（华中科技大学）；University of Washington（华盛顿大学）
本文提出动态内存分配策略，以应对联邦医疗系统中非独立同分布数据带来的挑战，通过合理分配存储资源提升模型性能。
2026-03-30 cs.AI cs.CV cs.DC
Quality of Service (QoS) Modelling in Federated Cloud Computing
围绕具有潜在的大量定制资源的大规模服务器基础设施的思想构建，这些定制资源能够交互以促进服务的部署、适配和支持，云计算需要频繁地重新调度和管理各种应用任务，以便适应广泛范围和数量的用户的请求。云计算的挑战之一是通过设计用于在用户和云虚拟资源之间分配任务以及将虚拟资源分配给云物理资源的有效技术来支持和管理服务质量（QoS）。虚拟资源跨物理资源的迁移是另一个需要相当关注的挑战;特别是在联合云计算环境中，其中，提供商可能愿意将其未使用的资源作为服务提供给联合（合作分配），并在需要时收回这些资源供其自己使用（竞争分配）。本文重新审视了云计算中的QoS问题，通过制定和提出i）一个多QoS任务分配模型的任务分配到虚拟机和ii）一个虚拟机迁移模型的联合云计算环境中考虑的情况下，资源提供商是在合作或竞争模式下操作。针对联邦云环境中的QoS支持问题，提出了一种新的基于差分进化的任务分配绑定策略和一种新的虚拟机模型.实验结果表明，所提出的解决方案提高了云计算环境中的服务质量，并揭示了在联合云环境中操作混合合作和竞争模型的相对优势。
2019-11-08 cs.DC cs.NI
HASA: Subnet Allocation for Compute-Constrained Model-Heterogeneous Federated Learning
University of Naples "Federico II"（那不勒斯腓特烈二世大学）；Queen Mary University of London（伦敦玛丽女王大学）；Brandenburg University of Technology Cottbus-Senftenberg（勃兰登堡工业大学）；Tallinn University of Technology（塔林理工大学）；University of Zanjan（赞詹大学）
提出HASA方法，根据客户端异构性分数分配子网宽度，在固定计算预算下提升平均和最差客户端准确率。
2026-05-30 cs.AI cs.DC cs.LG
Incentive Allocation in Vertical Federated Learning Based on Bankruptcy Problem
Maastricht University（马斯特里赫特大学）
本文针对纵向联邦学习中被动方激励分配问题，将其建模为破产博弈并采用Talmudic分配规则得到核仁解，在合成与真实数据集上验证了该方法相比Shapley值计算更高效且能保证公平性与稳定性。
2025-02-10 cs.DC cs.GT cs.LG
Enhancing Federated Learning with spectrum allocation optimization and device selection
机器学习（ML）是一种被广泛接受的用于支持移动设备和应用的定制服务的手段。联邦学习（FL）是在解决数据隐私问题的同时实现机器学习的有前途的方法，其通常涉及大量无线移动设备来收集模型训练数据。在这种情况下，FL预计将满足严格的训练延迟要求，在有限的资源，如无线带宽的需求，功耗和参与设备的计算约束。出于实际考虑，FL在每次迭代时选择一部分设备参与模型训练过程。因此，有效的资源管理和设备选择的任务将有显着的影响FL的实际用途。在本文中，我们提出了一种频谱分配优化机制，以提高FL在无线移动网络。具体而言，所提出的频谱分配优化机制最小化FL的时间延迟，同时考虑各个参与设备的能量消耗，从而确保所有参与设备都有足够的资源来训练它们的本地模型。在这方面，为了确保FL的快速收敛，还提出了一种鲁棒的设备选择，以帮助FL快速达到收敛，特别是当设备的本地数据集不是独立和同分布（非iid）时。实验结果表明：（1）所提出的频谱分配优化方法在满足个体能量约束的同时优化了时延;（2）所提出的设备选择方法使FL在非iid数据集上实现最快收敛。
2022-12-27 cs.DC eess.SP
FedSAC: Dynamic Submodel Allocation for Collaborative Fairness in Federated Learning
Xiamen University（厦门大学）；Sony AI（索尼人工智能）
针对联邦学习中的协作公平性问题，提出FedSAC框架，通过动态子模型分配实现有界协作公平性，兼顾本地模型一致性，提升公平性与模型精度。
2024-05-28 cs.AI cs.DC cs.LG
BGTplanner: Maximizing Training Accuracy for Differentially Private Federated Recommenders via Strategic Privacy Budget Allocation
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；Guangdong Key Laboratory of Big Data Analysis and Processing（广东大数据分析与处理重点实验室）；Department of Computing, Faculty of Science and Engineering, Macquarie University（麦考瑞大学计算机系）；Machine Learning Department, Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学机器学习系）
BGTplanner通过战略性隐私预算分配提升差分隐私联邦推荐系统的训练精度，实验表明其在训练性能上平均提升6.76%。
2024-12-04 cs.DC cs.LG
DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup
Tencent AI Lab（腾讯人工智能实验室）；Hong Kong University of Science and Technology（香港科技大学）
最近，联邦学习已经成为一种很有前途的方法，可以使用来自多个组织的数据来训练全局模型，而不会泄露原始数据。然而，直接将联邦学习应用于现实任务面临两个挑战：（1）不同组织之间的数据异构性;（2）单个组织内部的数据噪声。在本文中，我们提出了一个通用的框架，同时解决上述两个挑战。具体来说，我们建议使用分布式鲁棒优化，以减轻数据异构性范例所造成的负面影响，在每次迭代的基础上，可学习的分布样本客户端。此外，我们观察到，这种优化范式很容易受到本地客户端内部数据噪声的影响，这在全局模型预测精度方面具有显着的性能下降。为了解决这个问题，我们建议将混淆技术纳入联邦学习的局部训练过程。我们进一步提供了全面的理论分析，包括鲁棒性分析，收敛性分析和泛化能力。此外，我们在不同的药物发现任务，如ADMET属性预测和药物靶点亲和力预测进行实证研究。
2022-04-16 cs.DC cs.LG stat.ML
Mobility-Aware Joint User Scheduling and Resource Allocation for Low Latency Federated Learning
Shanghai Jiao Tong University（上海交通大学）；Nanjing University of Science and Technology（南京理工大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61部门）
针对移动场景下联邦学习因用户移动性导致训练延迟高的问题，提出考虑用户移动性的多基站FL模型及延迟感知贪心搜索算法，联合优化用户调度与资源分配以降低训练延迟，性能优于现有基准，且适度移动性可提升训练效果。
2023-07-18 cs.DC cs.LG
A Coopetitive-Compatible Data Generation Framework for Cross-silo Federated Learning
School of Computer Science and Statistics（计算机科学与统计学学院）
本文提出CoCoGen框架，结合生成式AI与潜在博弈论，解决跨组织联邦学习中统计异质性和经济竞争对协作学习的影响，实验显示其在Fashion-MNIST数据集上优于基线方法。
2025-09-10 cs.AI cs.CE cs.DC
Online Client Scheduling and Resource Allocation for Efficient Federated Edge Learning
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
本文研究移动边缘网络中资源受限与不确定性下的联邦学习优化问题，提出基于Lyapunov优化的在线客户端调度与资源分配方案，在保证模型准确度的同时有效降低训练延迟并提升资源效率。
2024-09-29 cs.AI cs.DC cs.LG
Securing HPC using Federated Authentication
联合身份验证可以大大减少基本帐户维护的开销，同时提高整体系统安全性。与用户在其主要组织中更频繁使用的帐户集成，既为最终用户提供了更好的体验，又使帐户泄露或从属关系的更改更有可能被注意到并采取行动。此外，随着许多组织过渡到对所有账户访问进行多因素身份验证，利用外部联合身份管理系统的能力为他们的工作提供了好处，而无需单独实施不同的多因素身份验证流程的额外开销。本文介绍了我们通过使用美国政府PKI和InCommon Federation启用联合身份验证、将其扩展到生产HPC系统的用户群以及这些选择背后的动机所获得的经验和教训。我们只收到用户的积极反馈。
2019-08-20 cs.CR cs.DC
Federated Learning over Wireless Networks: Convergence Analysis and Resource Allocation
The University of Sydney（悉尼大学）；EPFL（洛桑联邦理工学院）；Kyung Hee University（庆熙大学）；Vietnam - Korea University of Information and Communication Technology, The University of Danang（岘港大学越韩信息与通信技术大学）
对被称为联邦学习的快速增长的机器学习技术的兴趣日益增加，其中模型训练分布在移动用户设备（UE）上，利用UE的本地计算和训练数据。尽管联邦学习（FL）在数据隐私保护方面具有优势，但其在跨UE的数据和物理资源的异构性方面仍然具有挑战。我们首先提出了一种FL算法，该算法可以处理异构UE的数据挑战，除了强凸和光滑的损失函数，没有进一步的假设。我们提供的收敛速度表征UE的本地计算轮更新其本地模型和全球通信轮更新FL全球模型之间的权衡。然后，我们在无线网络中采用所提出的FL算法作为资源分配优化问题，该问题捕获FL收敛挂钟时间与具有异构计算和功率资源的UE的能耗之间的权衡。尽管FL的无线资源分配问题是非凸的，我们利用这个问题的结构，将其分解为三个子问题，并分析其封闭形式的解决方案，以及对问题设计的见解。最后，我们用Tensorflow实验和无线资源分配子问题的大量数值结果说明了新算法的理论分析。实验结果不仅验证了理论上的收敛性，而且表明，我们提出的算法优于香草FedAvg算法的收敛速度和测试精度。
2020-10-29 cs.DC cs.LG cs.NI
Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation
Nanjing University of Science and Technology（南京理工大学）；CSIRO（澳大利亚联邦科学与工业研究组织）；University of Houston（休斯顿大学）；Princeton University（普林斯顿大学）
联邦学习（FL）作为一种分布式机器学习范式，通过在每个客户端进行本地数据处理来促进个人隐私。然而，依赖于集中式服务器进行模型聚合，标准FL容易受到服务器故障、不可信服务器和外部攻击的影响。为了解决这个问题，我们提出了一个分散的FL框架，将区块链集成到FL中，即区块链辅助分散联邦学习（BLADE-FL）。在所提出的BLADE-FL的一轮中，每个客户端将训练的模型广播给其他客户端，将自己的模型与接收到的模型聚合，然后在下一轮的本地训练之前竞争生成块。我们评估了BLADE-FL的学习性能，并给出了全局损失函数的上界。然后，我们验证了这个界是凸的总聚合轮数K，并优化计算资源分配，以最小化上界。我们还注意到，存在一个严重的训练不足问题，这是由懒惰的客户端造成的，他们剽窃他人的训练模型，并添加人工噪声来掩盖他们的作弊行为。针对这一问题，研究了懒惰客户端对BLADE-FL学习性能的影响，分析了最优K、学习参数和懒惰客户端比例之间的关系.基于MNIST和Fashion-MNIST数据集，我们证明了实验结果与分析结果是一致的。具体而言，该上界与实验结果之间的差距小于5%，且基于上界的优化K能有效地使损失函数最小化。
2021-05-25 cs.DC cs.LG
Adaptive Rank Allocation for Federated Parameter-Efficient Fine-Tuning of Language Models
Department of Computer Science, University of Exeter（埃克塞特大学计算机科学系）
FedARA通过自适应秩分配提升联邦参数高效语言模型微调的性能与通信效率
2026-02-18 cs.AI cs.DC cs.LG
UnifyFL: Enabling Decentralized Cross-Silo Federated Learning
BITS Pilani, KK Birla Goa Campus India（BITS Pilani 去年巴尔拉 Goa 分校）
本文提出UnifyFL框架，通过去中心化编排与分布式存储解决跨孤岛联邦学习中信任与资源效率的权衡问题，并支持同步与异步模式，实验证明其性能可与理想集中式方案相媲美。
2025-05-06 cs.AI cs.DC
From Distributed Machine Learning to Federated Learning: A Survey
Baidu Inc.（百度公司）；Auburn University（奥本大学）；University of Oregon（俄勒冈大学）
近年来，数据和计算资源通常分布在终端用户、各个区域或组织的设备中。由于法律或法规的限制，分布式数据和计算资源不能在不同地区或组织之间直接共享，以执行机器学习任务。联邦学习是一种利用分布式数据和计算资源的有效方法，可以协同训练机器学习模型，同时遵守法律法规，确保数据安全和数据隐私。在本文中，我们提供了一个全面的调查现有的工作联邦学习。我们提出了一个功能架构的联邦学习系统和相关技术的分类。此外，我们提出了分布式训练，数据通信，FL系统的安全性。最后，我们分析了它们的局限性，并提出了未来的研究方向。
2022-03-25 cs.AI cs.DC cs.LG
Fed-HeLLo: Efficient Federated Foundation Model Fine-Tuning with Heterogeneous LoRA Allocation
Department of Computer Science and Engineering, University of Nevada, Reno（计算机科学与工程系，内华达大学雷诺分校）
针对联邦基础模型微调中客户端资源异构、现有方法性能受限的问题，提出Fed-HeLLo框架及多种异构LoRA分配策略，在多数据集多分布设置下实现了高效且性能优异的联邦微调。
2025-06-13 cs.DC cs.LG
OpenFL: An open-source framework for Federated Learning
Intel Corporation（英特尔公司）；University of Pennsylvania（宾夕法尼亚大学）
联邦学习（FL）是一种计算范式，使组织能够在机器学习（ML）项目上进行协作，而无需共享敏感数据，例如病历、财务数据或机密。开放式联邦学习（OpenFL）是一个开源框架，用于使用FL的数据私有协作学习范式训练ML算法。OpenFL与TensorFlow和PyTorch构建的训练管道一起工作，可以轻松扩展到其他ML和深度学习框架。在这里，我们总结了OpenFL的动机和开发特点，旨在促进其应用于生产环境中现有的ML模型训练。最后，我们描述了第一次使用OpenFL框架训练共识ML模型在国际医疗保健组织的联盟，以及它如何促进FL的第一次计算竞争。
2021-05-13 cs.DC cs.LG
Cooperate to Compete: Strategic Data Generation and Incentivization Framework for Coopetitive Cross-Silo Federated Learning
School of Computer Science and Statistics, Trinity College Dublin（特里尼蒂大学计算机科学与统计学学院）；School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学学院）
本文提出CoCoGen+框架，通过建模非独立同分布数据和跨组织竞争，解决联邦学习中合作与竞争的矛盾，提升社会福利。
2026-04-16 cs.AI cs.DC cs.GT
An Empirical Study of Federated Learning on IoT-Edge Devices: Resource Allocation and Heterogeneity
VinUniversity（VinUniversity（文大学））；Technische Universität Berlin（柏林工业大学）
本文在大型物联网-边缘设备网络上对联邦学习进行实证研究，重点分析异构场景下的学习性能与计算通信成本，为真实联邦学习系统设计提供实践指导。
2023-05-31 cs.DC cs.LG
Capacity Confounds and Coverage Guarantees in Adaptive Sub-model Federated Learning
该研究以HAS-FL为案例，发现自适应子模型联邦学习中更新差异估计受容量混淆影响，自适应分配存在失效模式，且其收益源于容量预算与覆盖，而非分配智能。
2026-10-20 cs.DC cs.LG
Heterogeneity-Aware Resource Allocation and Topology Design for Hierarchical Federated Edge Learning
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
本文针对分层联邦边缘学习提出异构感知的资源分配与P2P拓扑设计方法，通过优化计算通信资源和引入模型一致性约束，在保持模型准确率的同时显著降低训练时延。
2024-09-29 cs.AI cs.DC cs.LG
DRL-Based Federated Self-Supervised Learning for Task Offloading and Resource Allocation in ISAC-Enabled Vehicle Edge Computing
School of Internet of Things Engineering, Jiangnan University（江南大学物联网工程学院）；Department of Electronic Engineering, Beijing National Research Center for Information Science and Technology, Tsinghua University（清华大学信息科学与技术国家研究中心电子工程系）；State Key Lab. of ISN and School of Telecommunications Engineering, Xidian University（西安电子科技大学信息与通信系统国家重点实验室和电信工程学院）；Department of Electronic Engineering, Shanghai Jiao Tong University（上海交通大学电子工程系）；Department of Electrical and Computer Engineering, the Hong Kong University of Science and Technology (HKUST)（香港科技大学电子与计算机工程系）
针对ISAC赋能的车辆边缘计算，提出基于DRL的改进联邦自监督学习算法，通过部分任务卸载与资源分配优化能耗，提升卸载效率与模型精度。
2025-06-19 cs.DC cs.LG cs.NI
Towards Dynamic Resource Allocation and Client Scheduling in Hierarchical Federated Learning: A Two-Phase Deep Reinforcement Learning Approach
Shanghai University（上海大学）；Commonwealth Scientific and Industrial Research Organization (CSIRO)（英联邦科学与工业研究组织）；Fudan University（复旦大学）；Xidian University（西安电子科技大学）
针对能量收集驱动的分层联邦学习系统的多级资源与客户端调度问题，提出两阶段DDPG框架TP-DDPG，结合SCABA算法平衡学习延迟与模型精度，在参数更少的情况下可将训练时间缩短39.4%。
2024-06-21 cs.DC cs.LG math.OC
SHEFL: Sparse Heterogeneous Ensemble Federated Learning with Group-Balanced Aggregation
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Technology Hansung University（技术汉城大学）
本文提出SHEFL框架，通过按客户端资源分配全局模型数量，并结合缓解训练偏差的聚合方案与动态稀疏化策略，在异构联邦学习中提升通信效率、准确性和稳定性。
2026-09-29 cs.DC cs.LG
Segmented Federated Learning for Adaptive Intrusion Detection System
Pune Institute of Computer Technology（浦那计算机技术学院）
网络攻击是一个主要问题，它会给组织造成巨大的财务和声誉损害。然而，由于各种因素的影响，目前的网络入侵检测系统（NIDS）显得力不从心。主要的NIDS通过手工制作的规则数据集识别网络攻击。虽然最近机器学习和深度学习的应用减轻了NIDS的巨大努力，但网络数据的安全性一直是首要关注的问题。然而，遇到的安全问题，使组织之间的共享，联邦学习（FL）计划。虽然目前的FL系统已经取得了成功，但网络的数据分布并不总是适合FL中的单个全局模型。因此，在这种情况下，在FL中具有单个全局模型是不可行的。在本文中，我们提出了一个分段联邦学习（Segmented-FL）的学习计划，一个更有效的NIDS。分段FL方法采用周期性局部模型评估，基于该评估进行分段。我们的目标是将类似的网络环境带给同一个群体。此外，分段FL系统与基于工作者拥有的数据样本的数量的局部模型参数的加权聚合耦合，以进一步增强性能。与标准数据集上的FL和集中式系统相比，我们的系统性能的提高进一步验证了我们的系统，并为在各种任务中扩展我们的技术提供了强有力的理由。该解决方案适用于希望在不同网络环境中协作学习并保护个人数据集隐私的组织。
2021-07-02 cs.CR cs.DC cs.LG
Federated Learning over Wireless IoT Networks with Optimized Communication and Resources
Royal Institute of Technology (KTH)（皇家理工学院（KTH））；Princeton University（普林斯顿大学）
为了充分利用海量的分布式数据和计算资源，网络边缘的机器学习被认为是一种很有前途的技术，特别是对于大规模模型训练。联邦学习（Federated learning，FL）作为协作学习技术的一种范式，因其通信效率高、数据保密性好等优点而受到越来越多的研究关注。由于有损耗的通信信道和有限的通信资源（例如，带宽和功率），研究无线系统上的快速响应和准确的FL方案是令人感兴趣的。因此，我们调查的问题，联合优化的通信效率和资源的FL在无线物联网（IoT）网络。为了降低复杂度，我们将整个优化问题分为两个子问题，即，客户端调度问题和资源分配问题。为了降低FL在无线物联网中的通信开销，提出了一种新的客户端调度策略。为了最大限度地成功的信息交换网络，拉格朗日乘子的方法，首先利用解耦变量，包括功率变量，带宽变量和传输指标。在此基础上，提出了一种基于线性搜索的功率和带宽分配方法。给定适当的超参数，我们证明了所提出的通信有效的联邦学习（CEFL）框架以强线性速率收敛。通过大量的实验，它表明，所提出的CEFL框架大大提高了通信效率和学习性能的训练损失和测试准确性的FL在无线物联网网络相比，一个基本的FL方法与统一的资源分配。
2021-10-22 cs.DC cs.LG eess.SP
When Deep Reinforcement Learning Meets Federated Learning: Intelligent Multi-Timescale Resource Management for Multi-access Edge Computing in 5G Ultra Dense Network
Sun Yat-sen University（中山大学）；Auburn University（奥本大学）
超密集边缘计算（UDEC）具有巨大的潜力，特别是在5G时代，但其当前的解决方案仍然面临挑战，例如缺乏：i）多个5G资源的有效利用（例如，计算、通信、存储和服务资源）; ii）低开销卸载决策和资源分配策略;以及iii）隐私和安全保护方案。因此，我们首先提出了一个智能超密集边缘计算（I-UDEC）框架，它将区块链和人工智能（AI）集成到5G超密集边缘计算网络中。首先，我们展示了框架的架构。然后，为了实现实时和低开销的计算卸载决策和资源分配策略，我们设计了一种新的双时标深度强化学习（\textit{2Ts-DRL}）方法，分别由一个快速时标和一个慢速时标的学习过程。主要目标是通过联合优化计算卸载、资源分配和服务缓存放置来最小化总卸载延迟和网络资源使用。我们还利用联邦学习（FL）以分布式方式训练\textit{2Ts-DRL}模型，旨在保护边缘设备的数据隐私。仿真结果证实了I-UDEC框架中的\textit{2Ts-DRL}和FL的有效性，并证明我们提出的算法可以减少任务执行时间高达31.87%。
2020-09-22 cs.AI cs.DC cs.NI
Stalactite: Toolbox for Fast Prototyping of Vertical Federated Learning Systems
ITMO University（ITMO大学）；Sber AI Lab（Sber AI实验室）
本文提出开源垂直联邦学习框架Stalactite，内置同态加密层和多种VFL算法，帮助研究者快速构建分布式学习原型，并在真实推荐数据集上验证其有效性。
2024-10-03 cs.DC cs.IR cs.LG
