一种面向 5G 网络的实用跨设备联邦学习框架
机器学习
2022-04-19 v1 密码学与安全
网络与互联网体系结构
摘要
联邦学习（FL）的概念由 Google 于 2016 年首次提出。此后，由于其能在不损害隐私的情况下充分利用数据，FL 因在各领域应用的可行性而被广泛研究。然而，受限于无线数据传输能力，联邦学习在移动设备上的实际部署进展缓慢。第五代（5G）移动通信网络的开发与商用化为此带来了一线曙光。本文分析了现有移动设备联邦学习方案的挑战，并提出了一种新颖的跨设备联邦学习框架，其利用匿名通信技术与环签名保护参与方隐私，同时降低移动设备参与 FL 的计算开销。此外，我们的方案实现了基于贡献的激励机制以鼓励移动用户参与 FL。我们还给出了自动驾驶的案例研究。最后，我们对所提方案进行了性能评估并讨论了联邦学习中的一些开放问题。
引用
@article{arxiv.2204.08134,
title = {A Practical Cross-Device Federated Learning Framework over 5G Networks},
author = {Wenti Yang and Naiyu Wang and Zhitao Guan and Longfei Wu and Xiaojiang Du and Mohsen Guizani},
journal= {arXiv preprint arXiv:2204.08134},
year = {2022}
}
备注
This paper has been accepted by IEEE Wireless Communications