面向物联网的联邦学习：近期进展、分类体系与开放挑战
网络与互联网体系结构
2021-06-21 v2
摘要
物联网（IoT）将适于部署新颖的机器学习算法以进行网络与应用管理。然而，鉴于海量分布式私有数据集的存在，在 IoT 中使用经典集中式学习算法颇具挑战。为克服该挑战，联邦学习可成为一种有前景的方案，其支持设备端机器学习而无需将私有终端用户数据迁移至中心云。在联邦学习中，仅有学习模型更新在终端设备和聚合服务器之间传输。尽管联邦学习能比集中式机器学习提供更好的隐私保护，其仍存在隐私隐患。本文中，我们首先介绍联邦学习在赋能联邦学习驱动的 IoT 应用方面的近期进展。为严格评估这些近期进展，勾勒了一组指标如稀疏化、鲁棒性、量化、可扩展性、安全性与隐私性。其次，我们为 IoT 网络上的联邦学习设计了一种分类体系。第三，我们提出两个分散式联邦学习的 IoT 用例，其能提供优于联邦学习的隐私保护。最后，我们给出若干开放研究挑战及其可能解决方案。
引用
@article{arxiv.2009.13012,
title = {Federated Learning for Internet of Things: Recent Advances, Taxonomy, and Open Challenges},
author = {Latif U. Khan and Walid Saad and Zhu Han and Ekram Hossain and Choong Seon Hong},
journal= {arXiv preprint arXiv:2009.13012},
year = {2021}
}
备注
This paper has been accepted for publication in IEEE Communications Surveys and Tutorials