边缘感知设备上的联邦学习：综述

物联网、移动和可穿戴设备等边缘感知设备及其集成传感器的测量能力快速普及，使得监测环境特征、与之交互并获取周边信息成为可能。尽管这些设备体积小、数据存储与处理能力有限，却产生了海量数据。采集并处理传感器数据的应用示例包括医疗健康、环境（含空气质量与污染水平）、汽车、工业、航空航天与农业应用。这些来自边缘设备的海量感知数据通过多种机器学习（ML）与深度学习（DL）方法进行分析。然而，在云端或服务器上分析它们面临隐私、硬件与连接限制方面的挑战。联邦学习（FL）作为一种在保护隐私的同时通过联合训练模型而不共享原始数据来解决这些问题的方案正在兴起。本文从边缘感知设备的视角综述联邦学习策略，以克服传统机器学习技术的局限。我们聚焦于关键的联邦学习原理、软件框架与测试平台。我们还探讨了当前传感器技术、感知设备的特性以及应用联邦学习的感知应用。最后，我们讨论了联邦学习面临的开放问题与未来研究方向以供进一步研究。