面向端侧智能的隐私增强型训练即服务：概念、架构方案与开放问题

端侧智能（ODI）使人工智能（AI）应用能够在终端设备上运行，无需依赖远程服务器即可提供实时和定制化的 AI 推理。然而，由于用户数据的去中心化和隐私敏感性，以及与网络连接、计算效率等相关的端侧约束，为端侧部署训练模型面临重大挑战。现有的训练范式，如基于云的训练、联邦学习和迁移学习，未能充分解决这些在设备上普遍存在的实际约束。为了克服这些挑战，我们提出了隐私增强型训练即服务（PTaaS），这是一种新颖的服务计算范式，为终端设备提供隐私友好、定制化的 AI 模型训练。PTaaS 将核心训练过程外包给远程且强大的云或边缘服务器，基于上传的匿名查询高效开发定制化的端侧模型，在增强数据隐私的同时减少单个设备的计算负载。我们探讨了 PTaaS 的定义、目标和设计原则，以及支持 PTaaS 范式的新兴技术。我们还提出了 PTaaS 的架构方案，随后提出了一系列开放问题，为 PTaaS 领域的未来研究方向奠定了基础。