在边缘网络中提供位置信息：一种基于联邦学习的方法
信号处理
2022-08-25 v3
摘要
近年来，移动边缘计算的发展凭借快速响应和低通信成本实现了令人振奋的边缘人工智能 (AI)。边缘设备的位置信息对于在智能家居、智能交通系统和综合医疗保健等诸多场景中支持边缘 AI 至关重要。借助深度学习智能，基于集中式机器学习 (ML) 的定位技术受到了学术界和工业界的广泛关注。然而，位置信息泄露和海量数据流量等潜在问题限制了其应用。幸运的是，一种名为联邦学习 (FL) 的新兴隐私保护分布式 ML 机制有望缓解这些担忧。在本文中，我们阐述了一种基于 FL 的定位系统框架以及边缘网络中涉及的实体。此外，详细说明了该系统的优势。在其实际实施中，我们研究了与系统级解决方案相关的特定领域问题，并在真实数据库上进行了进一步验证。此外，本文还概述了该领域未来具有挑战性的开放问题。
引用
@article{arxiv.2205.08292,
title = {Providing Location Information at Edge Networks: A Federated Learning-Based Approach},
author = {Xin Cheng and Tingting Liu and Feng Shu and Chuan Ma and Jun Li and Jiangzhou Wang},
journal= {arXiv preprint arXiv:2205.08292},
year = {2022}
}