面向物联网的联邦学习：综述
信号处理
2021-04-28 v1
摘要
物联网（IoT）正随着人工智能（AI）赋能的智能服务与应用的普及而渗透至我们日常生活的诸多方面。传统上，AI 技术需要集中式的数据收集与处理，但由于现代 IoT 网络的高可扩展性以及日益增长的数据隐私担忧，这在现实应用场景中或不可行。联邦学习（FL）已成为一种分布式协作 AI 方法，它通过在分布式 IoT 设备上实现 AI 训练而无需数据共享，从而能够赋能众多智能 IoT 应用。在本文中，我们对 FL 在 IoT 网络中的新兴应用进行了全面综述，从介绍 FL 与 IoT 的最新进展到讨论二者的融合。特别地，我们探索并分析了 FL 在赋能广泛 IoT 服务方面的潜力，包括 IoT 数据共享、数据卸载与缓存、攻击检测、定位、移动群智感知以及 IoT 隐私与安全。随后，我们广泛调研了 FL 在智能医疗、智能交通、无人机（UAVs）、智慧城市和智能工业等多种关键 IoT 应用中的使用。文中亦强调了从本次 FL-IoT 服务与应用综述中得出的重要经验教训。我们以指出当前挑战及这一蓬勃发展领域未来研究的可能方向作结。
引用
@article{arxiv.2104.07914,
title = {Federated Learning for Internet of Things: A Comprehensive Survey},
author = {Dinh C. Nguyen and Ming Ding and Pubudu N. Pathirana and Aruna Seneviratne and Jun Li and H. Vincent Poor},
journal= {arXiv preprint arXiv:2104.07914},
year = {2021}
}
备注
Accepted at the IEEE Communications Surveys & Tutorials, 37 pages