首页 > 行业资讯 > 6G中联邦学习的应用、挑战和机遇丨Engineering

6G中联邦学习的应用、挑战和机遇丨Engineering

时间：2023-11-01 来源： 浏览：

6G中联邦学习的应用、挑战和机遇丨Engineering

原创 杨照辉 等 Engineering
Engineering

engineering2015

《Engineering》是中国工程院院刊主刊，工程类综合性期刊，旨在为全球提供一个高水平的工程科技重大成果发布交流平台，报道全球工程前沿，促进工程科技进步，服务社会、造福人类。中国科技期刊卓越行动计划领军期刊。 中英文出版，全文开放获取。

收录于合集 #6G 10个

由于数据流量的显着增长，机器学习已经获得了相当多的关注，并有望在第六代 (6G) 无线网络的发展中发挥至关重要的作用。集中式机器学习方法需要在集中式参数服务器上收集训练样本。因此，传输大量数据样本会导致严重的传输延迟。并且，标准的集中式机器学习方法无法保证用户隐私性。然而，低延迟和隐私要求在许多新兴应用中很重要，例如无人驾驶飞行器、虚拟现实服务和自动驾驶。因此，使用集中式机器学习方法来优化这些新兴应用是不合适的。同时，由于通信资源有限，所有边缘设备通常无法将其数据上传到参数服务器，以进行集中式机器学习。
基于以上这些原因，需要引入分布式学习算法，使设备能够通过本地训练，协同构建统一的学习模型。联邦学习是一种最有前景的分布式学习网络架构。在联邦学习中，边缘设备仅通过将本地学习模型传输到基站来协作构建学习模型，同时保留本地训练数据，如图1 所示。值得注意的是，联邦学习也可以在没有参数服务器的情况下执行，其中每个设备都可以与相邻设备进行通信。由于数据中心无法以用户级别来访问本地数据集，因此联邦学习可以提高用户的数据隐私。
图1 无线通信网络上的联邦学习。
在无线通信网络中，实施联邦学习具有如下的优点：①交换本地机器学习模型参数而不是大量的训练数据，可以节省能源，消耗更少的无线资源；②在本地训练机器学习模型参数，可以有效降低传输延时；③联邦学习有助于提高数据隐私，因为训练数据保留在最终用户设备上，并且只上传本地学习模型参数；④使用不同的学习过程，从边缘数据集中训练多个分类器，增加了获得更高学习性能的可能性。
联邦学习可用于解决各种实际通信应用中的复杂问题，例如干扰消除、网络控制、资源分配和用户分组。此外，联邦学习使用户能够合作学习统一的预测模型，同时将收集到的数据存储在他们的设备上，用于无线环境分析、用户运动预测和用户识别。基于预测结果，基站可以有效地为设备分配无线资源。 香港中文大学的崔曙光、美国普林斯顿大学的陈明哲等研究人员 全面概述了未来第六代（6G）无线网络的联邦学习应用。 特别是，首先描述了将联邦学习应用于无线通信中的基本要求。然后详细介绍了无线通信中潜在的联邦学习新型应用，讨论了与新型应用相关的主要问题和挑战。最后，描述了用于无线通信的联邦学习的详细实现方案，并给出了联邦学习的难点和应用前景。

以上内容来自： Zhaohui Yang, Mingzhe Chen, Kai-Kit Wong, H. Vincent Poor, Shuguang Cui. Federated Learning for 6G: Applications, Challenges, and Opportunities [J]. Engineering, 2022, 8(1): 33-41.

关键词： 联邦学习 ; 6G ; 智能反射面 ; 语义通信 ; 感知通信计算一体化

扫二维码 | 查看原文

原文链接：http://www.engineering.org.cn/en/10.1016/j.eng.2021.12.002

推荐阅读

  • 迈向6G智简网络——基于语义通信的网络新范式

  • 西北工业大学马远良院士团队：6G无处不在，向广袤海洋的水下世界延伸

  • 陈杰院士团队：从无人系统到自主智能无人系统

  • 哈工大构建超薄纳米多孔膜，实现高效海水淡化

  • 2024年中美工程前沿研讨会中方参会代表选拔开始啦 | 中国工程院

点赞/ 赏/ 分享 让更多小伙伴看到 ↓

版权：如无特殊注明，文章转载自网络，侵权请联系cnmhg168#163.com删除！文件均为网友上传，仅供研究和学习使用，务必24小时内删除。
相关推荐
热门信息