边缘训练机器学习模型:一项调查
边缘机器学习与可信边缘机器学习(EML)的融合是一个备受关注的研究领域,通过利用分布式网络资源以合作方式进行联合训练和推理。然而,EML 面临着多种挑战,包括资源限制、异构网络环境和不同应用的多样化服务要求,这些都影响了 EML 在利益相关者眼中的可信度。本调研综述对可信 EML 的定义、属性、框架、技术和解决方案进行了综合总结。特别是,我们首先强调了在第六代(6G)网络背景下可信 EML 的重要性。然后,我们从部署和实际应用场景的角度讨论了可信度的必要性。接下来,我们给出了对可信 EML 的初步定义,并探讨了它的关键属性。随后,我们介绍了可信 EML 系统的基本框架和支持技术,并对增强 EML 可信度的最新解决方案进行了深入文献综述。最后,我们讨论了相关的研究挑战和未解决问题。
Oct, 2023
本文介绍了联邦学习技术与移动边缘计算的应用,讨论了在大规模和复杂的移动边缘网络中实现联邦学习所面临的挑战以及现有解决方案,探讨了联邦学习在移动边缘网络优化中的应用,以及未来的研究方向与挑战,包括保护隐私与安全。
Sep, 2019
该论文介绍了边缘智能和智能边缘的应用场景,实现方法和相互融合的挑战和未来趋势。通过整合通信,网络和深度学习领域的信息,促进了边缘智能和智能边缘的融合。
Jul, 2019
本文介绍了边缘计算智能(如边缘人工智能 / 机器学习)的应用和挑战,为解决现有方法存在的采用障碍,提出了一种基于模型为中心的设计,以建立分散体系结构下的高效协作学习。
Jun, 2023
通过将人工智能(AI)与边缘计算相结合,边缘智能利用终端设备和边缘服务器的计算和通信能力,在数据产生的地方进行处理,从而实现人工智能的大规模和高效部署。其中一项关键技术是隐私保护的机器学习范式 Federated Learning(FL),该范式使数据所有者能够在无需将原始数据传输到第三方服务器的情况下训练模型。然而,FL 网络预计涉及成千上万个异构分布式设备,因此通信效率仍然是一个关键瓶颈。为了减少节点故障和设备退出,提出了一种分层联邦学习(HFL)框架,其中指定的集群领导者通过中间模型聚合支持数据所有者。因此,基于改进的边缘服务器资源利用,本文可以有效弥补缓存容量的限制。为了减轻软点击对用户体验质量(QoE)的影响,作者将用户 QoE 建模为综合系统成本。为解决这个公式化问题,作者提出了一种具有联邦深度强化学习(DRL)和联邦学习(FL)的分散式缓存算法,其中多个代理独立学习并做出决策。
Mar, 2024
本文探讨了边缘机器学习的关键构建块,神经网络架构的不同分裂及其内在的权衡,以及来自广泛数学学科的理论和技术促进因素,最终呈现了几个关于各种高风险应用的案例研究,展示了边缘机器学习在发挥 5G 及其以后的全部潜力方面的有效性。
Dec, 2018
本文提出了一个基于资源限制的多臂老虎机模型的在线学习框架,用于解决异构边缘设备的分布式机器学习问题,实验结果表明,该框架在学习性能和资源消耗之间的权衡方面显著优于现有的边缘学习和其他协作机器学习方法。
Apr, 2020