面向 6G 赋能网络的拆分联邦学习：需求、挑战与未来方向
网络与互联网体系结构
2023-09-19 v1 信号处理
摘要
第六代（6G）网络预期将智能地支持广泛的智能服务与创新应用。这样的环境迫切要求大量使用机器学习（ML）技术，特别是深度学习（DL），以促进创新并简化智能网络功能/操作的部署，从而满足所设想的 6G 服务的多样化需求。具体而言，协作式 ML/DL 由一组分布式智能体组成，它们在不共享数据的情况下协作训练学习模型，从而提升数据隐私并减少时间/通信开销。本工作对如何于 6G 无线网络上有效部署协作学习进行了全面研究。特别地，我们的研究聚焦于拆分联邦学习（SFL），这是一种近期涌现、相较现有协作学习方法有望取得更优性能的技术。我们首先概述三种新兴协作学习范式，包括联邦学习、拆分学习和拆分联邦学习，以及 6G 网络及其主要愿景与关键发展时间线。随后我们从各个方面强调面向即将到来的 6G 网络对拆分联邦学习的需求，包括 6G 技术（例如智能物理层、智能边缘计算、零接触网络管理、智能资源管理）与 6G 用例（例如智能电网 2.0、工业 5.0、互联与自治系统）。此外，我们回顾了有助于实现面向 6G 网络的 SFL 的现有数据集与框架。最后，我们指出了与 SFL 赋能的 6G 网络相关的关键技术挑战、开放问题与未来研究方向。
引用
@article{arxiv.2309.09086,
title = {Split Federated Learning for 6G Enabled-Networks: Requirements, Challenges and Future Directions},
author = {Houda Hafi and Bouziane Brik and Pantelis A. Frangoudis and Adlen Ksentini},
journal= {arXiv preprint arXiv:2309.09086},
year = {2023}
}