在边缘训练机器学习模型：综述

边缘计算近年来获得了显著关注，承诺通过在边缘集成人工智能能力来提高效率。虽然重点主要放在边缘机器学习（ML）模型的部署和推理上，但训练方面仍较少被探索。本综述探讨了边缘学习的概念，特别是边缘 ML 模型训练的优化。其目标是全面探索边缘学习中的各种方法和方法论，综合现有知识，识别挑战，并突出未来趋势。利用 Scopus 和 Web of Science 的高级搜索，我们识别了关于边缘学习的相关文献，发现研究努力集中在分布式学习方法上，尤其是联邦学习。本综述进一步提供了比较用于优化边缘学习 ML 的技术的指南，并探讨了可用的不同框架、库和仿真工具。通过这样做，本文有助于全面理解边缘计算与机器学习交叉领域的当前格局和未来方向，为设计用于边缘训练的优化方法和技术之间的知情比较铺平道路。