异构6G网络中联邦学习的优化设计
机器学习
2023-03-16 v1 人工智能
分布式、并行与集群计算
计算机科学与博弈论
网络与互联网体系结构
摘要
随着5G网络的快速发展，数十亿智能物联网（IoT）设备在网络边缘产生，并伴随海量数据生成。尽管仍处于早期阶段，预计演进中的6G网络将采用先进人工智能（AI）技术来收集、传输和学习这些有价值的数据，以用于创新应用与智能服务。然而，传统机器学习（ML）方法需将训练数据集中至数据中心或云端，引发严重的用户隐私担忧。联邦学习作为一种具有隐私保护特性的新兴分布式AI范式，有望成为6G网络中实现泛在AI的关键赋能技术。然而，在6G网络中高效且有效地实施FL面临若干系统与统计异构性挑战。在本文中，我们从激励机制设计、网络资源管理和个性化模型优化三个方面研究可有效解决这些异构性挑战的优化方法。我们也提出了一些开放性问题与未来研究的有前景方向。
引用
@article{arxiv.2303.08322,
title = {Optimization Design for Federated Learning in Heterogeneous 6G Networks},
author = {Bing Luo and Xiaomin Ouyang and Peng Sun and Pengchao Han and Ningning Ding and Jianwei Huang},
journal= {arXiv preprint arXiv:2303.08322},
year = {2023}
}
备注
Accepted in IEEE Nework