面向物联网的联邦学习：应用、挑战与机遇
机器学习
2022-04-07 v4
摘要
在不久的将来，数十亿物联网设备将被部署，利用更快的网速以及5G/6G带来的端点数量可能呈数量级增长的优势。随着物联网设备的增长，将产生大量可能包含用户隐私信息的数据。高昂的通信与存储成本，加之隐私担忧，将日益挑战物联网平台传统的集中式云端学习与处理模式。联邦学习（Federated Learning, FL）已成为解决该问题最有前景的替代方案。在FL中，训练数据驱动的机器学习模型是多个客户端之间的协作行为，无需将数据汇集到中心节点，从而缓解通信与存储成本并提供高度的用户级隐私。然而，在物联网网络上实际部署FL系统仍存在一些挑战。本文我们将讨论FL在物联网平台中的机遇与挑战，以及它如何赋能多样化的物联网应用。特别地，我们识别并讨论了FL在物联网平台中的七个关键挑战，并重点介绍近期应对这些挑战的一些有前景的方法。
引用
@article{arxiv.2111.07494,
title = {Federated Learning for Internet of Things: Applications, Challenges, and Opportunities},
author = {Tuo Zhang and Lei Gao and Chaoyang He and Mi Zhang and Bhaskar Krishnamachari and Salman Avestimehr},
journal= {arXiv preprint arXiv:2111.07494},
year = {2022}
}