Fueled by the availability of more data and computing power, recent
breakthroughs in cloud-based machine learning (ML) have transformed every
aspect of our lives from face recognition and medical diagnosis to natural
language processing. However, classical ML exerts severe demands in terms of
energy, memory and computing resources, limiting their adoption fo
本文讨论了如何使用雾计算从分散在无线连接设备上的用户产生的私有数据中提炼高质量的设备端机器学习模型。作者提出了一种名为 Fog ML（FML）的通信高效、隐私保护的分布式机器学习框架，通过交换模型参数、模型输出和代理数据来训练设备端机器学习模型，并且提出了解决特定问题的高级 FML 框架。作者认为，雾计算的全部潜能可以通过协同设计通信和分布式机器学习操作来实现，同时考虑异构硬件规格、数据特征和用户需求。