With the explosion of data, Wireless Edge Caching (WEC) has become a promising approach for locally accessing cached contents. Due to the limited storage capacity of local caching devices and the varying preferences of humans for content, it is necessary to predict popular contents. In this article, we will address two distinct objectives: 1) Popularity prediction of the content that should be cached at the edge to effectively utilize edge device memory. 2) Edge devices collaboration for efficient content delivery. Accordingly, we propose an FL-based Star Cooperative Caching (FedStar Caching), utilizing a Star network topology for realizing an efficient cooperation among Femto-cell Access Points (FAPs) using a Decision Center (DC) to enhance power efficiency and delay performance. Considering human sensitivity to privacy, collecting users' data on a central server is not desirable, therefore, we leverage Federated Learning (FL) to alleviate this challenge. Simulation results demonstrate that the proposed method outperforms alternatives in terms of cache efficiency, as well as delay and power consumption.

Federated edge learning (FEEL) has been introduced for training machine learning models on distributed datasets for applications such as human monitoring. However, some challenges exist concerning the number of communication rounds and communication energy consumption involved in transmiting gradients during the training process. Moreover, over-the-air computation (AirComp) technology has gained attention recently, benefiting from superposition characteristic of wireless channels to compute functions over the air. While primarily designed for analog systems, there is potential for applying this technology in digital systems with embedded modulation schemes. This paper addresses these challenges by proposing a digital AirComp system for federated learning aggregation. The system employs a multi-bit quantization scheme to modulate gradients, adhering to a maximum transmission power constraint. An adaptive quantization scheme is also introduced, which considers the impact of quantization error and the error induced by additive white Gaussian noise. We derive closed-form expressions for pre-processing coefficients at devices and post-processing scaler at the access point (AP) to minimize the mean-squared error between high-precision and quantized qradients under the maximum transmission power constraint. Finally, the performance of the proposed scheme is evaluated in terms of achieved test accuracy, mean-squared error (MSE), and energy consumption, demonstrating its potential effectiveness compared to the benchmark schemes.

Most of the recent works on Human Gesture Recognition (HGR) using motion data rely on gathering a dataset, that faces two major challenges: $a)$ the datasets are originally stored on the smart devices at the end-users, and gathering them in one place is not feasible due to communication limitations, and $b)$ clients are reluctant to share their private data with a central server due to privacy concerns. In this paper, we address these issues and propose a privacy-preserving framework based on Federated Learning (FL) for HGR using motion data. Furthermore, we consider data heterogeneity which have destructive effects on the performance of the global model. Accordingly, we propose a communication and computation-efficient client selection method, mitigating the impact of data heterogeneity in the FL process. In the proposed framework, clients are not requested to share sensitive information about their local datasets with the edge server. Simulation results show that the proposed MoFLeuR algorithm improves the performance of the global model in the presence of different degrees of data heterogeneity, and it outperforms the baseline algorithms in terms of different metrics, namely accuracy, convergence speed, and communication and computation efficiency.

Next Point-of-Interest (POI) recommendation plays a vital role in human mobility prediction within Location-based Social Networks (LSBN), assisting individuals to decide on their next destination. However, traditional centralized systems rely on large datasets of previous POI check-ins, which raises privacy and computation concerns. In this regard, Federated Learning (FL) has emerged as a promising solution, enabling distributed training of machine learning models while preserving user privacy. In this paper, we propose a novel FL-based POI recommendation system, FedDist-POIRec, that utilizes Federated Distillation (FD) in a semi-synchronous framework to promote privacy, recommendation efficiency, and cope with resource heterogeneity by considering heterogeneous model architectures among users. Additionally, to alleviate the sparsity of user checkin lists, we employ a innovative knowledge aggregation technique, where the knowledge of each user is aggregated with that of users who share similar preferences. Simulation results demonstrate that FedDist-POIRec outperforms the baseline methods in terms of recommendation efficiency and communication cost, while keeping the computation cost at an acceptable level.