本文綜述了機(jī)器學(xué)習(xí)（Machine learning, ML）在無線邊緣網(wǎng)絡(luò)的主要應(yīng)用、典型學(xué)習(xí)方法、以及性能潛力。首先分析了無線邊緣智能與傳統(tǒng)人工智能的區(qū)別。而后討論了兩種降低訓(xùn)練ML復(fù)雜度的思路,一種是從學(xué)習(xí)方法角度研究知識與數(shù)據(jù)聯(lián)合驅(qū)動的ML,另一種是從無線系統(tǒng)角度設(shè)計合適的訓(xùn)練和決策方法,分析了集中式?jīng)Q策和分布式?jīng)Q策、集中式訓(xùn)練和分布式訓(xùn)練的優(yōu)缺點。進(jìn)一步介紹了聯(lián)邦學(xué)習(xí)在無線邊緣網(wǎng)絡(luò)中的應(yīng)用現(xiàn)狀和適用場景,總結(jié)了在降低通信開銷和個性化學(xué)習(xí)方面的研究進(jìn)展與存在的問題。最后對全文進(jìn)行了總結(jié)。 

【文章來源】：信號處理. 2020,36(11)北大核心CSCD

【文章頁數(shù)】：15 頁

【部分圖文】：

無線邊緣智能的網(wǎng)絡(luò)架構(gòu)

現(xiàn)有研究已經(jīng)表明了聯(lián)邦學(xué)習(xí)用于無線邊緣網(wǎng)絡(luò)中的潛力,下面討論在哪些應(yīng)用場景能采用聯(lián)邦學(xué)習(xí)來訓(xùn)練。如圖4所示,在應(yīng)用聯(lián)邦學(xué)習(xí)之前需要考慮以下三個問題:邊緣節(jié)點是否有數(shù)據(jù)?訓(xùn)練數(shù)據(jù)是否涉及隱私?分布式訓(xùn)練是否有優(yōu)勢?1)邊緣節(jié)點是否有數(shù)據(jù)

分布式訓(xùn)練、分布式?jīng)Q策:在集中式訓(xùn)練過程中,上傳數(shù)據(jù)不僅有泄露用戶隱私的風(fēng)險,還將產(chǎn)生額外的通信開銷。由于這些數(shù)據(jù)只在訓(xùn)練階段使用,人們開始反思是否有必要把這種只用一次又十分敏感的數(shù)據(jù)從邊緣節(jié)點“搬運”到中心節(jié)點[6]。文獻(xiàn)[31]提出的聯(lián)邦學(xué)習(xí)提供了一種分布式訓(xùn)練框架。如圖3(c)所示,每個邊緣節(jié)點根據(jù)本地數(shù)據(jù)訓(xùn)練局部模型,再把局部模型的參數(shù)或梯度上傳給中心節(jié)點;中心節(jié)點合并所有邊緣節(jié)點的局部模型得到全局模型,并把全局模型下發(fā)給邊緣節(jié)點進(jìn)行下一輪學(xué)習(xí)。通過在邊緣節(jié)點和中心節(jié)點之間進(jìn)行多輪次的通信和迭代,全局模型可以達(dá)到與集中式訓(xùn)練相近的性能[32]。在學(xué)習(xí)過程中數(shù)據(jù)始終保存在本地,保障了邊緣節(jié)點的數(shù)據(jù)隱私和安全。集中式訓(xùn)練和分布式訓(xùn)練方式主要在以下幾方面有所不同:


本文編號：3213922