面向水下物联网的联邦学习：概念、应用、挑战与机遇
机器学习
2022-07-29 v1
摘要
水下物联网(IoUT)在过去十年中快速发展，应用涵盖环境监测与勘探、国防应用等。传统IoUT系统采用机器学习(ML)方法，以满足可靠性、效率与时效性的需求。然而，对各项研究的广泛综述凸显了数据隐私与安全在IoUT框架中的重要性，将其视为在关键任务应用中取得预期成果的主导因素。联邦学习(FL)是一种安全的去中心化框架，是机器学习近期的进展，将有助于克服传统ML方法在IoUT中面临的挑战。本文概述了FL在IoUT中的各类应用、其挑战、开放问题，并指明未来研究前景的方向。
引用
@article{arxiv.2207.13976,
title = {Federated Learning for IoUT: Concepts, Applications, Challenges and Opportunities},
author = {Nancy Victor and Rajeswari. C and Mamoun Alazab and Sweta Bhattacharya and Sindri Magnusson and Praveen Kumar Reddy Maddikunta and Kadiyala Ramana and Thippa Reddy Gadekallu},
journal= {arXiv preprint arXiv:2207.13976},
year = {2022}
}
备注
The paper is accepted for publication in IEEE IoT Magazine