面向能量受限物联网设备的联邦学习：一项系统性映射研究
机器学习
2023-01-11 v1 分布式、并行与集群计算
摘要
联邦机器学习（Fed ML）是一种新的分布式机器学习技术，应用于使用客户端本地数据协作训练全局模型而无需传输数据。节点仅发送参数更新（例如，在神经网络情况下的权重更新），由服务器融合在一起以构建全局模型。通过不泄露节点数据，Fed ML 保证了其机密性，这是网络安全的一个关键方面，使其能够在数据敏感的物联网（IoT）和移动应用（如智能地理定位和智能电网）中使用。然而，大多数物联网设备尤其受能量限制，这就需要优化 Fed ML 过程以实现高效训练任务和优化功耗。在本文中，据我们所知，我们进行了首项针对能量受限物联网设备的 Fed ML 优化技术的系统性映射研究（SMS）。从总计 800 多篇论文中，我们筛选出 67 篇满足我们标准的论文，并使用一组精心选择的研究问题对该领域给出结构化概览。最后，我们试图对能量受限 Fed ML 的最新技术水平提供分析，并试图为研究界勾勒一些潜在建议。
引用
@article{arxiv.2301.03720,
title = {Federated Learning for Energy Constrained IoT devices: A systematic mapping study},
author = {Rachid EL Mokadem and Yann Ben Maissa and Zineb El Akkaoui},
journal= {arXiv preprint arXiv:2301.03720},
year = {2023}
}
备注
27 pages