从联邦学习到量子联邦学习用于空天地一体化网络
机器学习
2024-11-07 v2 人工智能
密码学与安全
摘要
6G无线网络预计将提供覆盖空天地及水下网络的无缝数据连接。作为未来6G网络的核心组成部分，空天地一体化网络（SAGIN）有望提供无数实时智能应用。要实现这一目标，将AI技术引入SAGIN是必然趋势。由于SAGIN的分布式和异构架构，联邦学习（FL）及随后的量子FL正成为实现未来隐私增强和计算高效的SAGIN的AI模型训练技术。在本工作中，我们探索了在SAGIN中使用FL/QFL的愿景。我们展示了由FL和QFL在SAGIN中的集成所驱动的若干代表性应用。还给出了QFL在无人机网络上的一个案例研究，展示了量子增强训练方法相对于传统FL基准的优势。我们还强调了QFL在未来SAGIN中采用的研究挑战及标准化问题。
引用
@article{arxiv.2411.01312,
title = {From Federated Learning to Quantum Federated Learning for Space-Air-Ground Integrated Networks},
author = {Vu Khanh Quy and Nguyen Minh Quy and Tran Thi Hoai and Shaba Shaon and Md Raihan Uddin and Tien Nguyen and Dinh C. Nguyen and Aryan Kaushik and Periklis Chatzimisios},
journal= {arXiv preprint arXiv:2411.01312},
year = {2024}
}
备注
This work has been accepted by IEEE Conference on Standards for Communications and Networking