联邦学习与下一代无线通信：双向关系综述

为满足下一代无线通信网络极为多样化的需求，研究界日益依赖机器学习解决方案进行实时决策和无线资源管理。传统机器学习采用完全集中式架构，所有训练数据汇聚于单一节点（如云端服务器），这显著增加了通信开销，也引发了严重的隐私担忧。为此，近期提出了一种称为联邦学习（Federated learning, FL）的分布式机器学习范式。在 FL 中，每个参与的边缘设备利用自身训练数据训练本地模型，然后通过无线信道将本地训练模型的权重或参数发送至中央参数服务器，由其进行聚合并更新全局模型。一方面，FL 在优化无线通信网络资源方面发挥着重要作用；另一方面，无线通信对 FL 也至关重要。因此，FL 与无线通信之间存在一种“双向”关系。尽管 FL 是一个新兴概念，但在 FL 及其在下一代无线网络中的应用领域已有大量文献发表。然而，我们注意到尚无工作强调 FL 与无线通信之间的双向关系。因此，本综述论文旨在通过及时且全面地探讨 FL 与无线通信之间的相互依赖性，填补文献中的这一空白。