Федеративное обучение в мобильных сетях периферийных вычислений: всесторонний обзор
Federated Learning in Mobile Edge Networks: A Comprehensive Survey
2020-01-01
SCID: 54.1/gwsnuchj
Discuss with AI
федеративное обучениемобильные периферийные вычислениямобильные периферийные сетиконфиденциальное машинное обучениераспределение ресурсов
Figures from the paper
Abstract (AI)
В последние годы мобильные устройства оснащаются всё более совершенными средствами сбора данных и вычислительными возможностями. В сочетании с достижениями в области глубокого обучения (DL) это открывает множество возможностей для значимых приложений, например в медицине и транспортных сетях. Традиционные подходы к машинному обучению (ML) на основе облачных вычислений требуют централизованного хранения данных на облачном сервере или в центре обработки данных. Однако это приводит к критическим проблемам, связанным с неприемлемой задержкой и неэффективностью коммуникаций. Для решения этой проблемы были предложены мобильные периферийные вычисления (MEC), призванные приблизить интеллектуальные функции к периферии сети, где генерируются данные. Тем не менее традиционные технологии, обеспечивающие применение ML в мобильных периферийных сетях, по-прежнему требуют передачи персональных данных внешним сторонам, например периферийным серверам. Недавно, в связи с ужесточением законодательства о защите данных и ростом обеспокоенности вопросами конфиденциальности, была предложена концепция федеративного обучения (FL). При FL конечные устройства используют локальные данные для обучения ML-модели, необходимой серверу. Затем конечные устройства передают серверу для агрегации обновления модели, а не исходные данные. FL может служить технологической основой мобильных периферийных сетей, поскольку обеспечивает совместное обучение ML-модели, а также применение DL для оптимизации мобильных периферийных сетей. Однако в крупномасштабных и сложных мобильных периферийных сетях задействованы неоднородные устройства с различными ограничениями. Это создаёт проблемы, связанные со стоимостью коммуникаций, распределением ресурсов, конфиденциальностью и безопасностью при масштабном внедрении FL. В этом обзоре сначала рассматриваются предпосылки и основы FL. Затем освещаются упомянутые выше проблемы реализации FL и анализируются существующие решения. Кроме того, представлены применения FL для оптимизации мобильных периферийных сетей. В заключение обсуждаются важные проблемы и перспективные направления дальнейших исследований в области FL.
Key Findings
1
Сочетание федеративного обучения с мобильными периферийными вычислениями помогает преодолеть ограничения облачного машинного обучения, связанные с неприемлемыми задержками и неэффективностью коммуникаций.
2
Федеративное обучение обеспечивает совместное обучение моделей в мобильных периферийных сетях посредством передачи обновлений моделей вместо исходных персональных данных.
3
Федеративное обучение в крупномасштабных мобильных периферийных сетях сталкивается с неоднородностью устройств и проблемами коммуникационных затрат, распределения ресурсов, конфиденциальности и безопасности.
4
В статье выделяются открытые проблемы и направления будущих исследований для развертывания федеративного обучения в сложных мобильных периферийных сетях.
5
В обзоре систематизируются существующие решения проблем реализации федеративного обучения и рассматриваются его применения для оптимизации мобильных периферийных сетей.
Research Object
Федеративное обучение в мобильных периферийных сетях
Research Subject
Проблемы и решения реализации федеративного обучения, а также его применения, включая коммуникационные затраты, распределение ресурсов, конфиденциальность и безопасность и оптимизацию сети
Publication Details
Publication Date
2020-01-01
Journal
Publisher
ISSN
Cited by
3102
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai14
Глубокое остаточное обучение для распознавания изображений2016
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Градиентное обучение для распознавания документов1998
Обучение нескольких слоев признаков на маленьких изображениях2024
Обучение представлений без учителя с помощью глубоких сверточных генеративных состязательных сетей2015
Глубокое обучение с дифференциальной приватностью2016
Обзор мобильных периферийных вычислений: коммуникационный аспект2017
Модель языка на основе рекуррентной нейронной сети2010
Глубокое обучение с подкреплением: краткий обзор2017
Пограничный интеллект: прокладывая последний участок пути для искусственного интеллекта с помощью периферийных вычислений2019
Конвергенция периферийных вычислений и глубокого обучения: комплексный обзор2020
In-Edge AI: интеллектуализация мобильных периферийных вычислений, кэширования и связи с помощью федеративного обучения2019
Всесторонний обзор машинного обучения для сетей: эволюция, приложения и перспективы исследований2018
Подробное сравнение эффективности коммуникации при раздельном и федеративном обучении2019
Работы, цитирующие эту статью6
На пути к беспроводным сетям связи 6G: видение, обеспечивающие технологии и новые парадигмальные сдвиги2020
Конвергенция периферийных вычислений и глубокого обучения: комплексный обзор2020
Обзор многодоступных периферийных вычислений в сетях 5G и последующих поколениях: основы, интеграция технологий и современное состояние2020
Всесторонний обзор глубокого обучения: архитектуры, последние достижения и применения2024
Обзор методов машинного обучения для оптимизации маршрутизации в программно-определяемых сетях2021
Обзор перспективных направлений 6G: тенденции, приложения, требования, технологии и будущие исследования2021