从联邦学习到雾计算学习：在异构无线网络上的分布式机器学习

MMJun, 2020

从联邦学习到雾计算学习：在异构无线网络上的分布式机器学习

From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks

Seyyedali Hosseinalipour, Christopher G. Brinton, Vaneet Aggarwal, Huaiyu Dai, Mung Chiang

TL;DR通过使用一种叫作 Fog learning 的新学习范式，从边缘设备到云服务器中智能地分布机器学习模型的训练，来增强联邦学习的三个重要维度：网络、异构性和邻近性，并考虑由各种接近程度异构设备组成的多层混合学习框架，通过设备到设备（D2D）通信进行协作学习，使其从联邦学习中用于参数传输的星型网络拓扑迁移到更分布式的规模。

Abstract

machine learning (ML) tasks are becoming ubiquitous in today's network applications. federated learning has emerged recently as a technique for training ML models at the network edge by leveraging processing capa

machine learning federated learning fog learning heterogeneity proximity

发现论文，激发创造

面向异构边缘 / 雾网络的协作联邦学习

提出一种合作的边缘 / 雾设备机器学习范例 — 合作联邦学习 (CFL)，通过设备之间和设备与服务器之间的协作，实现模型 / 数据 / 资源池化机制，以解决边缘 / 雾网络中网络异构性问题，提高机器学习模型的质量和网络此消耗。同时，该范例还支持无标签数据和异构设备隐私等新功能。

Mar, 2023

面向网络优化的雾计算分布式学习

本文提出了一种网络感知分布式学习优化方法，使设备在成本和效益之间进行数据传输和处理决策，并通过测试数据集证明算法能够显著提高网络资源利用效率，同时不损害模型学习准确性。

Apr, 2020

FedFog: 基于网络感知优化的无线雾云联合学习

本文通过提出一种基于联邦平均的高效 FL（FedFog）算法，结合一种新型的面向网络的 FL 优化问题，提高了资源利用率并在保证学习精度的同时，通过采用用户聚合策略，缓解慢用户的影响，并减小了时间开销。对多项真实 FL 任务的数值结果进行了广泛的理论收敛验证和实际应用展示。

Jul, 2021

异构 6G 网络联邦学习的优化设计

本文研究如何通过三个方面的优化措施 —— 激励机制设计、网络资源管理和个性化模型优化，有效解决分布式人工智能范例中面临的系统和统计异构挑战，从而实现对第六代网络中亿万智能物联网设备所产生数据的联合学习和隐私保护。

Mar, 2023

联邦学习：挑战、方法和未来方向

本文介绍联邦学习的独特特征和挑战，提供当前方法的概述，并概述了与各种研究社区相关的几个未来方向。

Aug, 2019

无线网络中的分布式学习：最近进展与未来挑战

本文主要研究了分布式学习如何在无线边缘网络中高效地部署，主要介绍了联邦学习、联邦蒸馏、分布式推理和多智能体强化学习等多种分布式学习范例，并提供了详细的文献综述和通信技术优化实例，旨在为实际无线通信网络中分布式学习的部署提供个整体指导原则。

Apr, 2021

分布式联邦学习：愿景、分类和未来方向

本文提出一种基于去中心化的分布式联邦学习（DFL）概念，旨在实现 IoT 智能应用的隐私保护与训练效率。文章首先介绍了 DFL 的基础，其次提出了一个包含匹配理论解决方案的 DFL 框架，最后展望了未来研究方向。

Aug, 2020

迈向可扩展的无线联合学习：挑战与解决方案

通过网络设计和资源编排的两个方面讨论了实现可扩展无线联邦学习的挑战和解决方案，并提出了三种面向任务的学习算法来提高算法的可扩展性，实现对无线联邦学习的计算高效资源分配。

Oct, 2023

非无线和无线网络上的联邦和元学习：教程

本文综述了联邦学习、元学习和联邦元学习在非无线与无线网络中的设计、优化和应用，并分析了这些学习算法之间的关系以及它们在实际应用中的优缺点。

Oct, 2022

面向计算受限异构设备的联邦学习：综述

随着越来越多的物联网设备在现场部署，将神经网络的训练卸载到中央服务器变得越来越不可行，本文调查了联合学习在克服异构性挑战方面的应用和益处。

Jul, 2023