面向 6G 中泛在 AI 的联邦学习
信号处理
2020-04-29 v1 机器学习
网络与互联网体系结构
摘要
随着 5G 蜂窝系统在全球积极部署，研究界已开始探索面向下一代即 6G 的新颖技术进展。人们普遍认为，6G 将建立于泛在 AI 这一新愿景之上，即一种将类人智能引入网络系统各方面的超灵活架构。尽管前景广阔，基于泛在 AI 的 6G 预计会出现若干新颖挑战。尽管已有大量尝试将 AI 应用于无线网络，这些尝试尚未在实用系统中见到任何大规模实现。关键挑战之一是在海量异构设备上实现分布式 AI 的困难。联邦学习（FL）是一种新兴的分布式 AI 解决方案，可在异构且潜在海量规模网络中实现数据驱动的 AI 方案。尽管仍处于发展早期，受 FL 启发的架构已被认为是实现 6G 泛在 AI 的最有前景方案之一。本文中，我们明确了将驱动 6G 与 AI 融合的需求。我们提出一种基于 FL 的网络架构，并讨论其在应对 6G 中部分预期新颖挑战方面的潜力。还讨论了支持 FL 的 6G 的未来趋势与关键研究问题。
引用
@article{arxiv.2004.13563,
title = {Towards Ubiquitous AI in 6G with Federated Learning},
author = {Yong Xiao and Guangming Shi and Marwan Krunz},
journal= {arXiv preprint arXiv:2004.13563},
year = {2020}
}
备注
Submitted to IEEE Communication Magazine