空中边缘智能：联邦学习中干扰的两面性
机器学习
2023-06-21 v1
摘要
联邦边缘学习被设想为在下一代无线网络中实现智能的基石，但有限的光谱资源常常制约其可扩展性。鉴于这一挑战，近期一系列研究建议将模拟空中计算集成到联邦边缘学习系统中，以利用电磁波的叠加特性快速聚合中间参数，并实现（几乎）无限的可扩展性。空中计算还在其他方面惠及系统，例如低硬件成本、减少接入延迟以及增强隐私保护。尽管有这些优势，无线通信引入的干扰也影响着模型训练过程的各个方面，而其重要性尚未得到充分认识。本文全面概述了干扰对基于空中计算的边缘学习系统的正面与负面影响，并讨论了潜在的开放性问题与研究趋势。
引用
@article{arxiv.2306.10299,
title = {Edge Intelligence Over the Air: Two Faces of Interference in Federated Learning},
author = {Zihan Chen and Howard H. Yang and Tony Q. S. Quek},
journal= {arXiv preprint arXiv:2306.10299},
year = {2023}
}
备注
7 pages, 6 figures. Accepted by IEEE Communications Magazine