面向资源受限 IoT 设备的联邦学习：全景与前沿进展
机器学习
2020-02-26 v1 分布式、并行与集群计算
机器学习
摘要
如今，设备配备了具有更高处理/计算能力的先进传感器。此外，广泛可用的互联网实现了传感设备之间的通信。因此，边缘设备上生成了大量数据以驱动物联网（IoT）、众包和其他新兴技术。所收集的广泛数据可以被预处理、缩放、分类，并最终使用机器学习（ML）方法用于预测未来事件。在传统的 ML 方法中，数据被发送到中央服务器并在其中处理，这遇到了通信开销、处理延迟、隐私泄露和安全问题。为了克服这些挑战，每个客户端可以基于其可用数据并通过从全局模型学习而在本地进行训练。这种去中心化学习结构被称为联邦学习（FL）。然而，在大规模网络中，可能存在具有不同计算资源能力的客户端。这可能导致 FL 技术的实现和可扩展性挑战。在本文中，我们首先介绍一些最近实现的 FL 实际应用。然后，我们从客户端的资源限制（例如内存、带宽和能量预算）角度强调实现 FL 算法的核心挑战。最后，我们讨论与 FL 相关的开放问题，并强调 concerning 资源受限设备的 FL 领域的未来方向。
引用
@article{arxiv.2002.10610,
title = {Federated Learning for Resource-Constrained IoT Devices: Panoramas and State-of-the-art},
author = {Ahmed Imteaj and Urmish Thakker and Shiqiang Wang and Jian Li and M. Hadi Amini},
journal= {arXiv preprint arXiv:2002.10610},
year = {2020}
}