本文档属于类型b（科学综述论文）。以下是针对该文档的学术报告：

《Internet of Things》期刊综述：联邦学习中的通信与计算效率研究进展

作者及机构：
Mair Rashed Abdulwareth Almanifi（Universiti Malaya）、Chee-Onn Chow（Universiti Malaya，通讯作者）、Mau-Luen Tham（Universiti Tunku Abdul Rahman）等，发表于《Internet of Things》2023年第22卷。

主题与背景

本文是一篇系统性综述，聚焦联邦学习（Federated Learning, FL）在通信与计算效率领域的挑战与解决方案。联邦学习作为一种分布式机器学习范式，通过本地训练和参数聚合保护数据隐私，但面临通信开销大（频繁传输大规模参数）和计算资源受限（边缘设备算力不足）的核心问题。尤其在物联网（IoT）场景中，这些挑战因设备异构性和网络带宽限制被进一步放大。本文旨在填补现有文献的碎片化空白，为研究者提供全面的技术路线图。

主要观点与论据

1. 联邦学习的通信效率优化

核心问题：FL的通信瓶颈源于参数更新频繁、数据量大，且边缘设备带宽有限。
解决方案分类：
- 客户端选择与动态调度：
- *随机选择*：如Chen等提出的AdaFL框架，通过梯度范数方差最小化优化选择概率（支持数据：理论证明收敛性，实验显示精度损失%）。
- *贪心算法*：FedMCCS结合多准则（训练时间、内存等）的次模双最大化函数，通信轮次减少8倍（实验：NSL-KDD数据集）。
- *博弈论*：Le等将客户端选择建模为拍卖游戏，以社会福祉最大化分配资源（理论：Stackelberg均衡解）。
- 参数更新压缩：
- *有损压缩*：如FedZip通过稀疏化-量化-编码三步法（Top-z算法+K-means+Huffman编码），压缩率高达1085倍（实验：MNIST数据集）。
- *压缩感知*：Li等提出CS-FL，利用稀疏梯度特性与迭代硬阈值重构（IHT算法），通信成本降低96%。
- 网络拓扑重构：
- *去中心化FL*：如D-Clique拓扑通过分簇连接减少96%通信边（实验：FEMNIST数据集）。
- *分层FL*：Abdellatif等基于KL散度最小化优化客户端-边缘服务器分配，延迟降低59.5%。

支持理论：随机优化理论（方差最小化）、次模函数优化（贪心算法）、信息论（压缩极限）。

2. 联邦学习的计算效率优化

核心问题：边缘设备算力不足导致训练延迟和能耗过高。
解决方案分类：
- 资源分配优化：
- *解析方法*：Tran等提出FedL，通过CPU频率动态调整最小化能耗（实验：能耗降低40%）。
- *深度强化学习*：Zhan等利用PPO算法优化频率分配，适应不稳定网络（实验：Mobile FL场景）。
- 数据质量驱动的客户端选择：
- FLRD框架通过RL模型（RDS）筛选高相关数据点，收敛速度提升80%（实验：非IID数据）。
- 超参数优化：
- *本地优化*：Zhou等提出FLORA，基于贝叶斯优化聚合损失曲面，训练周期减少98%。
- *全局优化*：Wang等通过AdaComm自适应调整通信频率，ResNet50训练时间缩短3倍。
- 模型剪枝与层冻结：
- PruneFL框架迭代剪枝冗余神经元，FLOPs减少67%（实验：CIFAR-10数据集）。

支持数据：能量模型（CPU频率-能耗关系）、收敛分析理论（通信频率与梯度方差）。

3. 当前挑战与未来方向

• 通信-计算权衡：如压缩虽减少通信量，但增加本地计算开销（例：FedKD需额外知识蒸馏计算）。
  
• 异构性处理：设备能力、数据分布差异仍需更鲁棒的算法（如HeteroFL的宽度自适应模型）。
  
• 实际部署瓶颈：OTA聚合（如Sery等的噪声抑制方案）尚需硬件支持。
  

论文价值与意义

1. 学术价值：首次系统梳理FL效率优化的多维度方法，提出统一分类法（通信5类、计算4类），为后续研究提供方法论框架。
   
2. 应用价值：指导IoT、边缘AI等场景的FL部署，例如：
   
   • 医疗领域（跨机构数据协作）可采用FedMCCS降低通信成本；
     
   • 无人机群协同学习可结合D-Clique拓扑提升可扩展性。
     
3. 创新亮点：
   
   • 覆盖最新技术（如OTA聚合、元启发式优化）；
     
   • 强调通信与计算的耦合关系（如资源分配需联合优化）。
     

总结

本文是FL领域通信与计算效率研究的里程碑式综述，兼具深度（技术细节）与广度（跨领域应用）。其提出的分类法与挑战分析，将成为未来算法设计和系统优化的关键参考。