联邦学习(FL)作为一种分布式训练方法，在车联网(IoV)中得到了广泛应用。区别于传统机器学习，FL允许智能网联车辆(CAVs)通过共享模型而非原始数据来协同训练全局模型，从而保护CAV隐私和数据安全。为了提升联邦学习模型精度，降低通信开销，该文首先提出一种基于有向无环图(DAG)区块链和CAVs的IoV架构，分别负责全局模型共享和本地模型训练。其次，设计了一种基于DAG区块链的异步联邦互蒸馏学习(DAFML)算法在本地同时训练教师和学生模型，教师模型的专业级网络结构可取得更高精度，学生模型的轻量级网络结构可降低通信开销，并采用互蒸馏学习使教师模型和学生模型从互相转移的软标签中学习知识以更新模型。此外，为了进一步提高模型精度，基于全局训练轮次和模型精度设定个性化权值来调节互蒸馏占比。仿真结果表明，DAFML算法在模型精度和蒸馏比率方面优于其他比较算法。

联邦学习存在来自梯度的参与方隐私泄露，现有基于同态加密的梯度保护方案产生较大时间开销且潜在参与方与聚合服务器合谋导致梯度外泄的风险，为此，该文提出一种新的联邦学习方法FastProtector，在采用同态加密保护参与方梯度时引入符号随机梯度下降(SignSGD)思想，利用梯度中正负的多数决定聚合结果也能使模型收敛的特性，量化梯度并改进梯度更新机制，降低梯度加密的开销；同时给出一种加性秘密共享方案保护梯度密文以抵抗恶意聚合服务器和参与方之间共谋攻击；在MNIST和CIFAR-10数据集上进行了实验，结果表明所提方法在降低80%左右加解密总时间的同时仍可保证较高的模型准确率。

随着物联网(IoT)设备数量的指数级增长和《个人信息保护法》等法规的相继实施，联邦遗忘学习在边缘计算(EC)中已成为保障数据“被遗忘权”的关键技术。然而，边缘节点普遍存在的资源异构性—计算能力、存储容量和网络带宽等差异，导致基于全局统一剪枝策略的类级遗忘方法(遗忘某类训练数据)面临训练效率下降的困境。为了应对上述挑战，该文针对类级遗忘场景，提出了一种基于自适应模型剪枝的联邦遗忘学习框架(FunAMP)，通过降低节点之间的等待时间提高模型训练效率。首先，该文建立了模型训练时间、节点资源与模型剪枝比之间的定量关系，并据此给出自适应模型剪枝问题的形式化定义。随后，设计了一种基于贪心策略的剪枝比决策算法，根据每个节点的计算和通信资源为其分配合适的剪枝比，并分析该算法的近似比，为算法性能提供理论保证。接着，确立了一种基于词频-逆文频的相关性指标来衡量模型参数与目标类数据之间的关系，根据该指标和分配的剪枝比将与目标类数据相关的模型参数去除，从而在实现目标类数据遗忘的同时最大限度地降低模型训练时间。实验结果表明，FunAMP在达到相同准确率的情况下，相比现有方法最高可实现11.8倍的加速比。

针对超密集组网中毫米波通信系统复杂的波束配置问题，该文提出一种基于分布式联邦学习(DFL)的波束配置算法(BMDFL)，旨在利用有限的波束资源实现用户覆盖率最大化。考虑到传统集中式学习存在用户数据安全问题，基于分布式联邦学习框架构建系统模型，从而减少用户隐私信息的泄露。为了实现波束的智能化配置，引入双深度Q学习算法(DDQN)训练系统模型，并通过马尔可夫决策过程将长期的动态优化问题转化为相应的数学模型进行求解。仿真结果从系统的网络吞吐量和用户覆盖率方面验证了该方法的有效性和鲁棒性。

物联网(IoT)设备资源存在高度异构性，严重影响联邦学习(FL)的训练时间和精度。已有研究未充分考虑物联网设备资源的异构性，且缺乏异构设备间协同训练机制的设计，导致训练效果有限且设备的资源利用率较低。为此，该文提出资源高效的分层协同联邦学习方法(HCFL)，设计了端边云分层混合聚合机制，考虑边缘服务器的差异化参数聚合频率，提出自适应异步加权聚合方法，提高模型参数聚合效率。提出资源重均衡的客户端选择算法，考虑模型精度与数据分布特征动态选取客户端，缓解资源异构性对联邦学习性能的影响。设计自组织联邦协同训练算法，充分利用空闲物联网设备资源加速联邦学习训练进程。仿真结果表明，在不同资源异构状态下，与基线方法相比，模型训练时间平均降低15％，模型精度平均提高6％，设备平均资源利用率提高52％。

低轨卫星通信网络拓扑结构动态变化，传统地面网络路由方法难以直接适用，同时由于卫星星载资源受限，基于人工智能的路由方法通常学习效率较低，而协同训练需要数据共享和传输，难度大且存在数据安全风险。为此，针对上述挑战，该文提出一种基于卫星分簇的多智能体联邦深度强化学习路由方法。首先，设计了结合网络拓扑、通信和能耗的低轨卫星通信网络路由模型；然后，基于每颗卫星的平均连接度将星座节点划分为多个簇，在簇内采用联邦深度强化学习框架，通过簇内卫星协同共享模型参数，共同训练对应簇内的全局模型，以最大化网络能量效率。最后，仿真结果表明，该文所设计方法对比Sarsa、MAD2QN和REINFORCE 3种基准方法，网络平均吞吐量分别提高83.7%, 19.8%和14.1%；数据包平均跳数分别减少25.0%, 18.9%和9.1%；网络能量效率分别提升55.6%, 42.9%和45.8%。

针对物联网(IoTs)场景下，联邦学习(FL)过程中大量设备节点之间因冗余的梯度交互通信而带来的不可忽视的通信成本问题，该文提出一种阈值自适应的梯度通信压缩机制。首先，引用了一种基于边缘-联邦学习的高效通信(CE-EDFL)机制，其中边缘服务器作为中介设备执行设备端的本地模型聚合，云端执行边缘服务器模型聚合及新参数下发。其次，为进一步降低联邦学习检测时的通信开销，提出一种阈值自适应的梯度压缩机制(ALAG)，通过对本地模型梯度参数压缩，减少设备端与边缘服务器之间的冗余通信。实验结果表明，所提算法能够在大规模物联网设备场景下，在保障深度学习任务完成准确率的同时，通过降低梯度交互通信次数，有效地提升了模型整体通信效率。

无人机(UAV)辅助联邦边缘学习的通信能够有效解决终端设备数据孤岛问题和数据泄露风险。然而，窃听者可能利用联邦边缘学习中的模型更新来恢复终端设备的原始隐私数据，从而对系统的隐私安全构成极大威胁。为了克服这一挑战，该文在无人机辅助联邦边缘学习通信系统提出一种有效的安全聚合和资源优化方案。具体来说，终端设备利用其本地数据进行局部模型训练来更新参数，并将其发送给全局无人机，无人机据此聚合出新的全局模型参数。窃听者试图通过窃听终端设备发送的模型参数信号来恢复终端设备的原始数据。该文通过联合优化终端设备的传输带宽、CPU频率、发送功率以及无人机的CPU频率，最大化安全隐私能效。为了解决该优化问题，该文提出一种演进深度确定性策略梯度(DDPG)算法，通过和系统智能交互，在保证基本时延和能耗需求的情况下获得安全聚合和资源优化方案。最后，通过和基准方案对比，验证了所提方案的有效性。

针对多无人机在环境监测传感器网络、灾害应急通信节点等设备位置部分未知场景下的数据收集需求，该文提出一种模型辅助的联邦强化学习多无人机路径规划方法。在联邦学习框架下，通过结合最大熵强化学习与单调价值函数分解机制，引入动态熵温度参数和注意力机制，优化了多无人机协作的探索效率与策略稳定性。此外，设计了一种基于信道建模与位置估计的混合模拟环境构建方法，利用改进的粒子群算法快速估计未知设备位置，显著降低了真实环境交互成本。仿真结果表明，所提算法能够实现高效数据收集，相较于传统多智能体强化学习方法，数据收集率提升5.2%，路径长度减少7.7%，验证了所提算法的有效性和优越性。

由于实际网络的带宽是有限的，因此客户端和中心服务器之间的通信成为联邦学习的一个主要瓶颈。为了减小通信开销，该文引入事件触发机制，提出一个通信有效的联邦学习算法(FedET)。首先，客户端利用事件触发机制判断是否需要向中心服务器发送当前模型。然后，中心服务器基于收到的信息进行模型聚合。具体地，在每个通信轮次，客户端完成本地模型训练之后，将模型更新和触发阈值进行比较，若触发通信，则将信息进行压缩后发送给中心服务器。进一步地，分别对满足凸的、PL(Polyak-Łojasiewicz)条件的和非凸的光滑目标函数，该文分析了所提算法的收敛性并给出了证明。最后，在两个标准的数据集上进行仿真实验。实验结果验证了所提算法的可行性和有效性。