面向 6G 网络的无线联邦学习（WFL）——第一部分：研究挑战与未来趋势
分布式、并行与集群计算
2021-05-04 v1 机器学习
摘要
传统的机器学习技术以集中式方式进行。近来，海量的无线数据生成、隐私问题以及无线终端设备计算能力的提升，催生了一种前景广阔的去中心化解决方案，称为无线联邦学习（WFL）。在这篇分为两部分论文的第一部分中，我们介绍了 WFL 在第六代无线网络（6G）中的应用，6G 被设想为一个通信与计算相融合的平台。在分析了 WFL 的关键概念之后，我们讨论了由无线（或移动通信）环境所带来的 WFL 核心挑战。最后，我们展望了 WFL 的未来方向，旨在将 FL 建设性地整合进未来无线网络。
引用
@article{arxiv.2105.00842,
title = {Wireless Federated Learning (WFL) for 6G Networks -- Part I: Research Challenges and Future Trends},
author = {Pavlos S. Bouzinis and Panagiotis D. Diamantoulakis and George K. Karagiannidis},
journal= {arXiv preprint arXiv:2105.00842},
year = {2021}
}