无线网络中联邦学习赋能的 AI 生成内容
分布式、并行与集群计算
2023-07-17 v1 人工智能
摘要
人工智能生成内容（AIGC）通过采用多种生成式 AI 模型，已成为提升内容创作过程效率、质量、多样性与灵活性的有前景技术。在无线网络中部署 AIGC 服务有望增强用户体验。然而，现有 AIGC 服务提供存在若干局限，例如预训练、微调与推理过程中的集中式训练，尤其在具隐私保护的无线网络实现中。联邦学习（FL）作为一种协作学习框架，将模型训练分布至协作数据拥有方而无需数据共享，可用于同时提升学习效率并实现 AIGC 的隐私保护。为此，我们提出基于 FL 的技术以赋能 AIGC，旨在使用户生成多样、个性化与高质量内容。此外，我们利用最先进的 AIGC 模型即 stable diffusion 模型进行 FL 辅助 AIGC 微调的案例研究。数值结果表明，我们的方案在有效降低通信成本与训练延迟及隐私保护方面具有优势。最后，我们强调 FL 与 AIGC 融合的几个主要研究方向与开放问题。
引用
@article{arxiv.2307.07146,
title = {Federated Learning-Empowered AI-Generated Content in Wireless Networks},
author = {Xumin Huang and Peichun Li and Hongyang Du and Jiawen Kang and Dusit Niyato and Dong In Kim and Yuan Wu},
journal= {arXiv preprint arXiv:2307.07146},
year = {2023}
}
备注
8 pages, 3 figures and 2 tables. Submitted to IEEE Network