面向边缘智能的AIGC辅助联邦学习：体系结构设计、研究挑战与未来方向
机器学习
2025-03-27 v1 分布式、并行与集群计算
摘要
联邦学习（Federated Learning）能够充分利用大规模终端数据，同时确保隐私和安全，被视为集中式机器学习的分布式替代方案。然而，数据异构性问题限制了联邦学习的性能。为了应对这一挑战，人工智能生成内容（Artificial Intelligence Generated Content, AIGC）作为一种创新的数据合成技术，成为一种潜在解决方案。本文首先概述AIGC辅助联邦学习系统设计相关的系统体系结构、性能指标和挑战。随后，我们提出了生成式联邦学习（Generative Federated Learning, GenFL）体系结构，并展示了其工作流程，包括聚合策略和权重策略的设计。最后，我们使用CIFAR10和CIFAR100数据集，采用扩散模型生成数据集以提升联邦学习性能。在各种非独立同分布（non-IID）数据分布下的实验结果表明，GenFL在克服数据异构性导致的联邦学习瓶颈方面具有有效性。还讨论了AIGC辅助联邦学习研究的开放性研究方向。
引用
@article{arxiv.2503.20166,
title = {AIGC-assisted Federated Learning for Edge Intelligence: Architecture Design, Research Challenges and Future Directions},
author = {Xianke Qiang and Zheng Chang and Ying-Chang Liang},
journal= {arXiv preprint arXiv:2503.20166},
year = {2025}
}