面向循环、安全与微型的联邦变换学习 AI
网络与互联网体系结构
2023-11-27 v1 人工智能
机器学习
摘要
深度学习（DL）正渗透到大众出行、智慧生活与工业等多样化应用中，迅速改变着我们生活和工作的方式。DL 是许多 AI 实现的核心。一组关键挑战是产出如下 AI 模块：(1) “循环”——能在不遗忘如何解决先前任务的前提下解决新任务，(2) “安全”——对对抗性数据攻击具有免疫能力，(3) “微型”——可在低功耗低成本嵌入式硬件中实现。显然，在单一水平平台层上难以同时实现这三方面，因为这些技术需要带来不同计算与通信需求的变换深度表征。在此我们提出跨越 5G 及更高代网络通信架构实现变换 DL 表征的愿景。我们首先详述各挑战领域的跨行业动机，随后展示 DL 研究中已实现循环、安全与微型 AI（CST-AI）的最新进展。认识到每种变换深度表征间存在冲突需求，我们将它们的深度学习变换与功能在网络中联邦化，以实现互联的运行时能力。
引用
@article{arxiv.2311.14371,
title = {Federated Transformed Learning for a Circular, Secure, and Tiny AI},
author = {Weisi Guo and Schyler Sun and Bin Li and Sam Blakeman},
journal= {arXiv preprint arXiv:2311.14371},
year = {2023}
}