Разделённое обучение в периферийных сетях 6G
Split Learning in 6G Edge Networks
2024-05-13
SCID: 54.1/szuwa9d2
Discuss with AI
пограничные сети 6Gразмещение и миграция моделейуправление ресурсамираздельное обучение на перифериираздельное обучение
Figures from the paper
Abstract (AI)
С распространением распределённых ресурсов периферийных вычислений мобильная сеть 6G будет эволюционировать в сеть подключённого интеллекта. В связи с этим предложение интегрировать федеративное обучение в мобильную периферию в последние годы вызвало значительный интерес. Однако внедрение федеративного обучения сопряжено с существенными трудностями, поскольку многочисленные устройства Интернета вещей с ограниченными ресурсами практически не способны поддерживать обучение моделей непосредственно на устройстве. Это привело к появлению разделённого обучения (SL), которое позволяет серверам выполнять основную вычислительную нагрузку при обучении, одновременно повышая конфиденциальность данных. В этой статье представлен краткий обзор SL и сформулированы принципы его бесшовной интеграции с беспроводными периферийными сетями. Сначала рассматривается специализированная архитектура 6G, поддерживающая разделённое периферийное обучение (SEL). Затем анализируются ключевые вопросы проектирования SEL, включая ресурсоэффективные структуры обучения и стратегии управления ресурсами в условиях одного периферийного сервера. Кроме того, с сетевой точки зрения область рассмотрения расширяется до сценариев с несколькими периферийными узлами, в которых исследуются взаимодействие между ними и размещение/миграция моделей. Наконец, обсуждаются нерешённые задачи SEL, включая анализ сходимости, асинхронное SL и обеспечение конфиденциальности меток.
Key Findings
1
Для многопериферийных сред рассматриваются сотрудничество между периферийными узлами, а также размещение и миграция моделей как средства масштабирования разделённого обучения.
2
Для сценариев с одним периферийным сервером ключевыми задачами являются разработка ресурсоэффективных обучающих framework’ов и эффективных стратегий управления ресурсами.
3
К открытым исследовательским проблемам относятся анализ сходимости, асинхронное разделённое обучение и сохранение конфиденциальности меток.
4
Разделённое обучение решает проблему федеративного обучения на ресурсно-ограниченных IoT-устройствах, передавая основную вычислительную нагрузку на периферийные серверы при сохранении конфиденциальности данных.
5
В статье описывается архитектура 6G, специально адаптированная для поддержки разделённого обучения на периферии в сетях подключённого интеллекта.
Research Object
разделённое обучение в беспроводных периферийных сетях 6G, включая сценарии с одним и несколькими периферийными серверами
Research Subject
интеграция, ресурсоэффективная работа, управление ресурсами, кооперация, размещение и миграция моделей, а также вопросы конфиденциальности и сходимости разделённого периферийного обучения
Publication Details
Publication Date
2024-05-13
Journal
Publisher
ISSN
Cited by
199
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Работы, цитирующие эту статью4
Эффективное параллельное разделённое обучение в беспроводных периферийных сетях с ограниченными ресурсами2024
Совместные периферийно-облачные вычисления для распределённого интеллекта и оптимизации моделей: обзор2026
К периферийному общему интеллекту с использованием нескольких больших языковых моделей (Multi-LLM): архитектура, доверие и оркестрация2025
Вычислительные архитектуры для сетей 6G: интеграция распределённых вычислений и искусственного интеллекта на периферии сети2026