摘要
联邦学习(federated learning)将模型训练任务部署在移动边缘设备,参与者只需将训练后的本地模型发送到服务器参与全局聚合而无须发送原始数据,提高了数据隐私性.然而,解决效率问题是联邦学习落地的关键.影响效率的主要因素包括设备与服务器之间的通信消耗、模型收敛速率以及移动边缘网络中存在的安全与隐私风险.在充分调研后,首先将联邦学习的效率优化归纳为通信、训练与安全隐私保护3类.具体来说,从边缘协调与模型压缩的角度讨论分析了通信优化方案;从设备选择、资源协调、聚合控制与数据优化4个方面讨论分析了训练优化方案;从安全与隐私的角度讨论分析了联邦学习的保护机制.其次,通过对比相关技术的创新点与贡献,总结了现有方案的优点与不足,探讨了联邦学习所面临的新挑战.最后,基于边缘计算的思想提出了边缘化的联邦学习解决方案,在数据优化、自适应学习、激励机制和隐私保护等方面给出了创新理念与未来展望.
基金项目
国家重点研发计划(2022YFE0201400)
国家自然科学基金(62172046)
福建省自然科学基金(2020J06023)
广东省教育厅普通高等学校重点专项(2021ZDZX1063)
珠海市产学研项目(ZH22017001210133PWC)
广东省教育厅人工智能与多模态数据处理重点实验室项目(2020KSYS007)
UIC科研启动基金(R72021202)
NETL
NSTL
维普
万方数据