异构 6G 网络联邦学习的优化设计
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。
Dec, 2023
本文介绍了 6G 通信与联邦学习的集成,并提供了联邦学习在 6G 通信中的潜在应用,描述了联邦学习在 6G 通信中的关键技术挑战、对应的联邦学习方法和未来研究的开放性问题。
Jun, 2020
本文提出了一种基于联邦学习的网络架构,旨在通过分布式人工智能解决 6G 中的一些新挑战,包括应用 AI 于无线网络的困难,以及跨异构设备实现分布式 AI 的困难。
Apr, 2020
本文介绍了联邦学习在物联网应用中的先进发展,提出了一系列度量标准以进行严格评估,设计出了物联网网络上的联邦学习分类法,并提出了比联邦学习更好的隐私保护的分散联邦学习的两种用例,最后提出了一些开放性研究挑战和可能的解决方案。
Sep, 2020
利用分布式账本技术和图神经网络构建的受信任的体系结构,解决了 6G 环境下联邦学习的挑战,包括隐私保护和安全问题,并验证了其在异常模型检测和全局模型准确性方面相对于相关基准的性能提升。
Sep, 2023
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。
Jun, 2020
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
我们提出一种在物联网基础设施上,针对资源受限的移动健康和可穿戴技术的隐私保护边缘联邦学习框架,并通过在 Amazon 的 AWS 云平台上使用可穿戴技术监测癫痫的发作检测应用的实施评估了我们提议的框架。
May, 2024