Traditional machine learning is centralized in the cloud (data centers).
Recently, the security concern and the availability of abundant data and
computation resources in wireless networks are pushing the deployment of
learning algorithms towards the network edge. This has led to the e
人工智能在下一代无线系统(如第六代(6G)移动网络)中发挥重要作用,但在训练 AI 模型和从分布式设备中获取智能和知识时,需要解决的关键挑战包括大量的数据、能源消耗、训练复杂性和敏感数据保护。联邦学习作为最近出现的框架,为多个学习代理构建准确而稳健的机器学习模型提供了有希望的方法,同时不共享原始数据。联邦学习通过允许移动设备协同学习全局模型而不显式共享训练数据,展示了高隐私性和高效的频谱利用。本文的主要目标是全面介绍联邦学习的可用性,以提高移动服务的质量,并支持支持新的用例。本文通过检查在协议堆栈的各个级别上实施联邦学习的附加价值,展示了联邦学习在改进协议堆栈和无线操作方面的重要性。此外,它给出了重要的联邦学习应用,讨论了热门话题,并为未来的研究和发展提供了宝贵的见解和指导。我们的结论旨在发挥联邦学习和未来 6G 之间的协同作用,同时强调联邦学习在颠覆无线行业和支持前沿移动服务发展中的潜力。