面向无线通信的联邦学习：动机、机遇与挑战
信号处理
2020-05-05 v4 机器学习
机器学习
摘要
无线通信领域日益关注以数据驱动的机器学习(ML)方案补充传统的基于模型的设计方法。尽管常规ML方法依赖于数据与处理单元集中于单一实体的假设，但在无线通信应用中这并非总是可行，因为私有数据不可访问，且将原始数据传输至中央ML处理器需要巨大的通信开销。因此，将数据保留在生成处的去中心化ML方法更具吸引力。由于其隐私保护特性，联邦学习尤其与许多无线应用相关，特别是在第五代(5G)网络背景下。本文中，我们对联邦学习的一般概念作了易懂的介绍，讨论了其在5G网络中的若干可能应用，并描述了无线通信背景下联邦学习未来研究的关键技术挑战与开放问题。
引用
@article{arxiv.1908.06847,
title = {Federated Learning for Wireless Communications: Motivation, Opportunities and Challenges},
author = {Solmaz Niknam and Harpreet S. Dhillon and Jeffery H. Reed},
journal= {arXiv preprint arXiv:1908.06847},
year = {2020}
}