联合资源分配策略在联邦边缘学习中的综合调查
机器学习
2024-10-11 v1
摘要
联邦边缘学习(FEL)是一种新兴的分布式机器学习(ML)范式，通过物理上分离每个用户数据来实现模型训练，同时确保用户隐私。然而，随着物联网(IoT)和智慧城市等复杂应用场景的发展，传统的资源分配方案已无法有效支持日益增长的计算和通信需求。因此，联合资源优化可能是解决规模化问题的关键方案。本文同步解决计算和通信多方面挑战以及日益增长的多资源需求。我们系统性地审阅了FEL中不同资源(计算、数据、通信和网络拓扑)的联合分配策略，并总结了提升系统效率、降低延迟、增强资源利用和增强鲁棒性的优势。此外，本文阐述了通过降低通信需求实现联合优化以间接提升隐私保护的潜在能力。这一工作不仅为联邦学习(FL)系统的资源管理提供理论支持，也为多个实际场景的潜在最优部署提供思路。通过深入讨论当前挑战与未来研究方向，本文还提供了关于复杂应用环境下多资源优化的若干重要见解。
引用
@article{arxiv.2410.07881,
title = {A Comprehensive Survey on Joint Resource Allocation Strategies in Federated Edge Learning},
author = {Jingbo Zhang and Qiong Wu and Pingyi Fan and Qiang Fan},
journal= {arXiv preprint arXiv:2410.07881},
year = {2024}
}
备注
This paper has been submitted to CMC-Computers Materials & Continua