论文地址-《Towards Efficient Asynchronous Federated Learning in Heterogeneous Edge Environments》 摘要 研究解决的问题 边缘设备通常具有异构的计算能力和数据分布，阻碍了协同训练的效率。现有的工作开发了陈旧感知的半异

论文地址-《Agglomerative Federated Learning: Empowering Larger Model Training via End-Edge-Cloud Collaboration》 摘要 尽管分层联邦学习HFL支持适合EECC的多层模型聚合，先前的工作在所有计算节点上

论文地址-《ZeRO++: Extremely Efficient Collective Communication for Giant Model Training》 摘要 ZeRO的缺点： 当在低带宽集群上进行训练时，或者在规模上迫使每个 GPU 的批量大小变小时，ZeRO 的有效吞吐量受到限制

论文地址《EdgeShard: Efficient LLM Inference via Collaborative Edge Computing》 Ⅰ 介绍 A 存在的问题 一些工作利用模型量化 [7][12] 来减小模型大小以适应资源受限的边缘设备。但是，它们通常会导致准确性损失。 其他工作倾向于

论文地址《Unleashing the Power of Edge-Cloud Generative AI in Mobile Networks: A Survey of AIGC Services》 摘要 本调查论文重点介绍了AIGC应用程序（例如ChatGPT和Dall-E）在移动边缘网络的部署

论文地址《Distributed Artificial Intelligence Empowered by End-Edge-Cloud Computing: A Survey》 摘要 对端边缘云计算（end-edge-cloud computing，EECC）赋能的分布式人工智能（DAI）进行了全