面向 6G 的联邦学习: 范式、分类法、近期进展与见解

Maryam Ben Driss; Essaid Sabir; Halima Elbiaze; Walid Saad

面向 6G 的联邦学习: 范式、分类法、近期进展与见解

机器学习 2023-12-11 v1 人工智能计算机科学与博弈论网络与互联网体系结构信号处理

作者: Maryam Ben Driss , Essaid Sabir , Halima Elbiaze , Walid Saad

摘要

人工智能 (AI) 有望在下一代无线系统（如第六代 (6G) 移动网络）中发挥关键作用。然而，无线系统中的海量数据、能源消耗、训练复杂性以及敏感数据保护，都是训练 AI 模型并从分布式设备中收集智能和知识所必须应对的关键挑战。联邦学习 (FL) 是近期出现的一个框架，作为一种有前景的方法，它允许多个学习代理在不共享原始数据的情况下构建准确且鲁棒的机器学习模型。通过允许移动手机和设备在不显式共享训练数据的情况下协作学习全局模型，FL 展现出高隐私性和高效的频谱利用率。尽管已有许多综述论文探讨了 FL 的范式及其在 6G 隐私中的可用性，但尚未有论文明确阐述如何利用 FL 来改进协议栈和无线操作。本综述的主要目标是全面概述 FL 在增强移动服务和赋能智能生态系统以支持新型用例方面的可用性。本文考察了在协议栈所有层级实施 FL 的附加价值。此外，它介绍了重要的 FL 应用，讨论了热点话题，提供了宝贵的见解，并为未来的研究和开发提供了明确的指导。我们的结论性意见旨在利用 FL 与未来 6G 之间的协同作用，同时强调 FL 在彻底改变无线行业和维持尖端移动服务发展方面的潜力。

关键词

联邦学习 6G 移动网络无线系统协议栈隐私分布式学习移动服务

引用

@article{arxiv.2312.04688,
  title  = {Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and Insights},
  author = {Maryam Ben Driss and Essaid Sabir and Halima Elbiaze and Walid Saad},
  journal= {arXiv preprint arXiv:2312.04688},
  year   = {2023}
}

备注

32 pages, 7 figures; 9 Tables

面向 6G 的联邦学习: 范式、分类法、近期进展与见解

摘要

关键词

引用

备注

相关论文