移动边缘网络中的联邦学习：综述
网络与互联网体系结构
2020-03-02 v2 信号处理
摘要
近年来，移动设备配备了日益先进的感知与计算能力。结合深度学习（DL）的进步，这开启了无数有意义应用的可能。传统的基于云的机器学习（ML）方法要求数据集中于云服务器或数据中心。然而，这导致了不可接受的时延与通信效率低下等关键问题。为此，移动边缘计算（MEC）被提出以将智能拉近至数据产生的边缘。但移动边缘网络中常规的 ML 赋能技术仍要求个人数据与外部方（如边缘服务器）共享。近来，鉴于日益严格的数据隐私法规与不断增长的隐私担忧，联邦学习（FL）的概念被引入。在 FL 中，终端设备利用本地数据训练服务器所需的 ML 模型，然后将模型更新而非原始数据发送至服务器进行聚合。FL 可成为移动边缘网络的赋能技术，因其支持 ML 模型的协同训练，并支持面向移动边缘网络优化的 DL。然而，在大规模复杂移动边缘网络中，涉及具有不同约束的异构设备，这在大规模 FL 实施中引发了通信成本、资源分配及隐私与安全等挑战。本综述首先介绍 FL 的背景与基础，随后强调上述 FL 实施挑战并回顾现有解决方案。此外，我们给出 FL 用于移动边缘网络优化的应用。最后，我们讨论 FL 中的重要挑战与未来研究方向。
引用
@article{arxiv.1909.11875,
title = {Federated Learning in Mobile Edge Networks: A Comprehensive Survey},
author = {Wei Yang Bryan Lim and Nguyen Cong Luong and Dinh Thai Hoang and Yutao Jiao and Ying-Chang Liang and Qiang Yang and Dusit Niyato and Chunyan Miao},
journal= {arXiv preprint arXiv:1909.11875},
year = {2020}
}