物联网中的联邦学习：从资源受限视角的综述
机器学习
2023-08-28 v1 分布式、并行与集群计算
摘要
物联网生态系统能够利用海量数据进行智能决策。联邦学习（Federated Learning, FL）作为一种去中心化的机器学习技术，被广泛用于从多种分布式数据源收集和训练机器学习模型。物联网与FL系统可互为补充并协同使用。然而，物联网设备的资源受限特性阻碍了FL在现实世界中的大规模部署。本文从客户端与服务器两个层面，对资源受限物联网（Internet of Things, IoT）环境中实施联邦学习（FL）所面临的挑战及解决方案进行了全面综述。我们聚焦于针对客户端资源有限、客户端数据异构、服务器容量及高通信成本的解决方案，并评估其在各类场景中的有效性。此外，我们根据解决方案的应用位置（即IoT客户端与FL服务器）对其进行分类。除对现有研究及潜在未来方向进行全面回顾外，本文还提出了新的评估指标，以使研究者能够在资源受限的物联网设备上评估其解决方案。
引用
@article{arxiv.2308.13157,
title = {Federated Learning in IoT: a Survey from a Resource-Constrained Perspective},
author = {Ishmeet Kaur andAdwaita Janardhan Jadhav},
journal= {arXiv preprint arXiv:2308.13157},
year = {2023}
}
备注
Presented and accepted at The IEEE 2023 International Conference on Artificial Intelligence, Robotics, Signal and Image Processing (AIRoSIP)