面向 6G 的联邦学习：应用、挑战与机遇
信息论
2021-01-06 v1 math.IT
摘要
传统机器学习集中在云端（数据中心）。近来，安全顾虑以及无线网络中丰富数据与计算资源的可用性，正推动学习算法向网络边缘部署。这催生了一个快速增长的领域，称为联邦学习（FL），它融合了原本解耦的两个领域：无线通信与机器学习。在本文中，我们对 FL 在第六代（6G）无线网络中的应用进行了全面研究。首先，我们讨论了将 FL 应用于无线通信的关键要求。然后，我们聚焦于 FL 用于无线通信的驱动性应用。我们明确了主要问题、挑战，并对在无线通信中实施 FL 技术提供了全面论述。
引用
@article{arxiv.2101.01338,
title = {Federated Learning for 6G: Applications, Challenges, and Opportunities},
author = {Zhaohui Yang and Mingzhe Chen and Kai-Kit Wong and H. Vincent Poor and Shuguang Cui},
journal= {arXiv preprint arXiv:2101.01338},
year = {2021}
}