联邦学习驱动的面向 6G 通信的边缘原生智能：趋势与挑战综述
网络与互联网体系结构
2023-03-01 v2 人工智能
摘要
无线网络的新技术进展增加了连接设备的数量。由人工智能（AI）赋能的无线系统中前所未有的数据量激增，为提供泛在的数据驱动智能服务开辟了新视野。传统的以云为中心的基于机器学习（ML）的服务通过集中收集数据集和训练模型来实现。然而，这种常规训练技术包含两个挑战：（i）高通信与能量开销；（ii）受威胁的数据隐私。在本文中，我们介绍联邦学习（FL）基础与使能技术的全面综述，FL 是一种新近涌现的、旨在将 ML 带到无线网络边缘的技术。此外，我们给出广泛研究，详述 FL 在无线网络中的各类应用并强调其挑战与局限。进一步探讨了 FL 在新兴的超越第五代（B5G）和第六代（6G）通信系统下的效能。本综述旨在概述关键无线技术中 FL 应用的最新进展，作为建立对该主题扎实理解的基础。最后，我们给出未来研究方向的推进路线。
引用
@article{arxiv.2111.07392,
title = {Edge-Native Intelligence for 6G Communications Driven by Federated Learning: A Survey of Trends and Challenges},
author = {Mohammad Al-Quraan and Lina Mohjazi and Lina Bariah and Anthony Centeno and Ahmed Zoha and Sami Muhaidat and Mérouane Debbah and Muhammad Ali Imran},
journal= {arXiv preprint arXiv:2111.07392},
year = {2023}
}