空中联邦学习：现状、开放挑战与未来方向
信号处理
2023-07-04 v1 分布式、并行与集群计算
机器学习
网络与互联网体系结构
摘要
基于人工智能并部署在无线网络上的应用发展迅速，且预计未来将大幅增长。由此产生的对海量数据聚合的需求在无线网络中，尤其是网络边缘，造成了严重的通信瓶颈。空中联邦学习（OTA-FL）利用多址信道（MACs）的叠加特性，使网络边缘的用户能够共享频谱资源，并实现高效、低时延的全局模型聚合。本文对 OTA-FL 的研究进展进行了全面综述，并指出了潜在的未来研究方向。具体而言，我们从系统设置的角度对 OTA-FL 进行分类，包括单天线 OTA-FL、多天线 OTA-FL，以及借助新兴可重构智能表面（RIS）技术的 OTA-FL，并总结了现有工作在这些方面的贡献。此外，我们讨论了 OTA-FL 的信任、安全与隐私问题，并强调了安全和隐私方面引发的担忧。最后，从提升系统性能、可靠性和可信性的角度讨论了挑战与潜在研究方向，以促进 OTA-FL 的未来发展。待解决的具体挑战包括信道衰落下的模型失真、在高度不平衡数据上训练的本地模型之 OTA 聚合失效，以及个体本地模型的可访问性与可验证性受限。
引用
@article{arxiv.2307.00974,
title = {Over-The-Air Federated Learning: Status Quo, Open Challenges, and Future Directions},
author = {Bingnan Xiao and Xichen Yu and Wei Ni and Xin Wang and H. Vincent Poor},
journal= {arXiv preprint arXiv:2307.00974},
year = {2023}
}