面向6G通信的联邦学习：挑战、方法与未来方向
网络与互联网体系结构
2020-10-05 v2 密码学与安全
机器学习
摘要
随着5G通信网络在全球范围内广泛部署，工业界与学术界均已开始超越5G并探索6G通信。普遍认为，6G将建立在普适人工智能(Artificial Intelligence, AI)之上，以在异构且海量规模的网络中实现数据驱动的机器学习(Machine Learning, ML)方案。然而，传统ML技术需要由中心服务器进行集中式数据收集与处理，由于隐私担忧的显著增长，这正成为日常生活中大规模部署的瓶颈。联邦学习作为一种具有隐私保护特性的新兴分布式AI方法，对各类无线应用尤其具有吸引力，并被视为实现6G普适AI的重要解决方案之一。在本文中，我们首先介绍6G与联邦学习的融合，并给出面向6G的潜在联邦学习应用。随后，我们描述了在6G通信背景下联邦学习的关键技术挑战、相应的联邦学习方法以及未来研究中的开放问题。
引用
@article{arxiv.2006.02931,
title = {Federated Learning for 6G Communications: Challenges, Methods, and Future Directions},
author = {Yi Liu and Xingliang Yuan and Zehui Xiong and Jiawen Kang and Xiaofei Wang and Dusit Niyato},
journal= {arXiv preprint arXiv:2006.02931},
year = {2020}
}