联邦学习与元学习：方法、应用与方向
机器学习
2023-11-07 v2 人工智能
网络与互联网体系结构
摘要
过去几年，机器学习（ML）领域取得显著进展，用以解决无线网络中的资源管理、干扰管理、自治与决策问题。传统 ML 方法依赖集中式手段，数据汇聚于中心服务器训练。然而，这种方式在设备数据隐私保护上面临挑战。为此，联邦学习（FL）作为一种有效方案应运而生，使边缘设备无需泄露数据隐私即可协同训练 ML 模型。在 FL 中，本地数据集不被共享，重点是学习涉及所有设备的特定任务的全局模型。但当模型需适配数据分布不同的设备时，FL 存在局限。此类情形下，元学习被认为可行，其仅需少量样本即可将学习模型适配至不同数据分布。本教程对 FL、元学习及联邦元学习（FedMeta）进行全面综述。不同于其他教程论文，我们旨在探究 FL、元学习与 FedMeta 方法如何被设计、优化与演进，及其在无线网络上的应用。我们还分析了这些学习算法间的关系，并考察其在真实应用中的优劣。
引用
@article{arxiv.2210.13111,
title = {Federated Learning and Meta Learning: Approaches, Applications, and Directions},
author = {Xiaonan Liu and Yansha Deng and Arumugam Nallanathan and Mehdi Bennis},
journal= {arXiv preprint arXiv:2210.13111},
year = {2023}
}