典型文献
基于联邦学习的移动通信资源管理:方法、进展与展望
文献摘要：
由于联邦学习(federated learning,FL)具有在参与方不共享数据的情况下即可进行模型训练,在保护数据隐私的同时,实现有效的资源管理等特点,FL已成为移动通信资源管理领域的研究热点之一.因此,对FL在移动通信资源管理中的方法、进展与展望进行综述与分析.首先,在引入FL基本概念的基础上,重点对FL在分布式无线网络、移动边缘网络、车联网、雾无线接入网络和超密集网络场景中资源管理方法的性能进行讨论,并分析其优缺点;然后,结合FL在移动通信资源管理领域的研究进展,讨论FL面临的挑战并提出可行的解决方案;最后,展望FL在移动通信资源管理领域潜在的发展方向.
文献关键词：
联邦学习;共享数据;数据隐私;移动通信;资源管理;机器学习
中图分类号：
作者姓名：
孙恩昌;张卉;何若兰;张冬英;张延华
作者机构：
北京工业大学信息学部,北京 100124;北京工业大学信息化建设与管理中心,北京 100124;先进信息网络北京实验室,北京 100124
文献出处：
引用格式：
[1]孙恩昌;张卉;何若兰;张冬英;张延华-.基于联邦学习的移动通信资源管理:方法、进展与展望)[J].北京工业大学学报,2022(07):783-793
A类：
B类：
联邦学习,移动通信,通信资源,进展与展望,federated,learning,FL,参与方,共享数据,模型训练,数据隐私,管理领域,无线网络,移动边缘网络,车联网,雾无线接入网,接入网络,超密集网络,网络场景,中资
AB值：
0.293448
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
