6G 边缘网络中的分割学习

随着分布式边缘计算资源的激增，6G 移动网络将演进为连接智能的网络。沿着这一思路，近年来将联邦学习引入移动边缘的提议获得了相当大的关注。然而，联邦学习的部署面临重大挑战，因为海量资源受限的 IoT 设备难以支持设备端模型训练。这导致了分割学习（SL）的出现，它使服务器能够处理主要训练负载，同时仍增强数据隐私。在本文中，我们简要概述 SL 的关键进展，并阐明其与无线边缘网络的无缝集成。我们首先阐明为支持边缘 SL 而定制的 6G 架构。然后，我们审视边缘 SL 的关键设计问题，包括创新的资源高效学习框架和单边缘服务器下的资源管理策略。此外，我们将范围扩展到多边缘场景，从组网视角探索多边缘协作与移动性管理。最后，我们讨论边缘 SL 的开放问题，包括收敛性分析、异步 SL 与 U 形 SL。