5G 基站流量预测的联邦学习

Nov, 2022

Federated Learning for 5G Base Station Traffic Forecasting

Vasileios Perifanis, Nikolaos Pavlidis, Remous-Aris Koutsiamanis, Pavlos S. Efraimidis

TL;DR本文研究联邦学习应用于基站聚合 LTE 数据的时序预测的有效性。我们使用 5 种不同的神经网络架构在联邦设置下进行一步预测，结果表明：适应联邦设置的学习架构与集中式设置具有相当的预测误差，基站的预处理技术导致更高的预测准确性，而现代聚合器并不比简单的方法好。

Abstract

mobile traffic prediction is of great importance on the path of enabling 5G mobile networks to perform smart and efficient infrastructure planning and management. However, available data are limited to base station logging information. Hence, training methods for generating high-qualit

mobile traffic prediction 5g networks federated learning neural network architectures lte data

发现论文，激发创造

面向能量感知的蜂窝网络联合流量预测

通过提出一个可评估机器学习模型可行性的新方法，本文在实际基站测量的基础上，对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估，发现较大的机器学习模型在性能上略有提升，但在碳足迹方面产生了显著的环境影响，使其在实际应用中不切实际。

Sep, 2023

隐私保护交通流量预测：一种联邦学习方法

提出了一种名为 FedGRU 的新算法，该算法采用联邦学习机制，通过机器学习实现交通流量预测，在保护隐私的同时提高了预测准确性。

Mar, 2020

面向无线通信的联邦学习：动机、机遇和挑战

该研究论文介绍了联邦学习的一般概念，讨论了在 5G 网络中可能的应用，并描述了联邦学习在无线通信背景下的关键技术挑战和未来研究的开放问题。

Jul, 2019

不可靠和资源受限的蜂窝无线网络中的联邦学习

本文提出一种适用于蜂窝无线网络的联合学习算法，证明了其收敛性，并提供了最优调度策略，同时研究了局部计算步骤和通信步骤对算法收敛的影响。

Dec, 2020

跨異質蜂巢網絡的階層式聯邦學習

研究使用梯度稀疏化和周期性平均的分层联邦学习框架，来在异构蜂窝网络中实现协作机器学习任务。结果表明，该方案可以显着降低通信延迟且不会减少模型精度。

Sep, 2019

适用于分布式 5G Edge 网络概念漂移的关注联邦学习

本篇论文探讨了机器学习在 5G 边缘计算中的应用，阐述了不断训练模型以适应变化场景的必要性，并提出了使用注意力机制的联邦学习模式是有效处理数据分布的方法。

Nov, 2021

车联网中的联邦学习

本文研究车联网应用中的联邦学习与集中式学习的可行性，探讨了基于图像数据集的目标检测，分析了数据标注、模型训练的挑战，以及数据速率、可靠性、隐私和资源管理等通信方面的问题，并为联邦学习在车联网领域中的未来研究方向提供了展望。

Jun, 2020

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

通过无线计算进行联邦学习

提出了一种基于超过空气计算的方法，探索了无线多接入通道的叠加属性，用于边缘机器学习中的快速全局模型聚合。

Dec, 2018

在边缘通过分布式和迁移学习进行移动流量预测

基于边缘计算的新型预测框架使用通过大规模测量活动在边缘获取的数据集，设计了基于卷积神经网络（CNN）和循环神经网络（RNN）的两种主要深度学习架构，并在不同训练条件下进行了测试。使用知识迁移学习（KTL）技术改进模型性能并降低计算资源需求，模拟结果表明 CNN 架构优于 RNN。提供了对所需训练能量的估计，并应用两种前沿可解释人工智能技术来解释得出的学习模型。

Oct, 2023