典型文献
移动边缘网络中联邦学习效率优化综述
文献摘要：
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.
文献关键词：
联邦学习;深度学习;效率;边缘计算;移动边缘网络
中图分类号：
作者姓名：
孙兵;刘艳;王田;彭绍亮;王国军;贾维嘉
作者机构：
华侨大学计算机科学与技术学院 福建厦门 361021;北京师范大学人工智能与未来网络研究院 广东珠海 519087;北京师范大学-香港浸会大学联合国际学院人工智能与多模态数据处理重点实验室 广东珠海 519087;湖南大学信息科学与工程学院 长沙 410082;广州大学计算机科学与网络工程学院 广州510006
文献出处：
引用格式：
[1]孙兵;刘艳;王田;彭绍亮;王国军;贾维嘉-.移动边缘网络中联邦学习效率优化综述)[J].计算机研究与发展,2022(07):1439-1469
A类：
B类：
移动边缘网络,中联,联邦学习,学习效率,效率优化,federated,learning,模型训练,训练任务,移动边缘设备,需将,发送到,而无须,须发,原始数据,数据隐私,隐私性,效率问题,服务器之间,收敛速率,安全与隐私,隐私风险,化归,安全隐私保护,具体来说,模型压缩,讨论分析,通信优化,设备选择,数据优化,保护机制,创新点,边缘计算,边缘化,自适应学习,创新理念,未来展望
AB值：
0.403809
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。
