无线通信中的边缘智能

发布时间：2021-06-06 07:42

　　本文综述了机器学习（Machine learning, ML）在无线边缘网络的主要应用、典型学习方法、以及性能潜力。首先分析了无线边缘智能与传统人工智能的区别。而后讨论了两种降低训练ML复杂度的思路,一种是从学习方法角度研究知识与数据联合驱动的ML,另一种是从无线系统角度设计合适的训练和决策方法,分析了集中式决策和分布式决策、集中式训练和分布式训练的优缺点。进一步介绍了联邦学习在无线边缘网络中的应用现状和适用场景,总结了在降低通信开销和个性化学习方面的研究进展与存在的问题。最后对全文进行了总结。 

【文章来源】：信号处理. 2020,36(11)北大核心CSCD

【文章页数】：15 页

【部分图文】：

无线边缘智能的网络架构

现有研究已经表明了联邦学习用于无线边缘网络中的潜力,下面讨论在哪些应用场景能采用联邦学习来训练。如图4所示,在应用联邦学习之前需要考虑以下三个问题:边缘节点是否有数据?训练数据是否涉及隐私?分布式训练是否有优势?1)边缘节点是否有数据

分布式训练、分布式决策:在集中式训练过程中,上传数据不仅有泄露用户隐私的风险,还将产生额外的通信开销。由于这些数据只在训练阶段使用,人们开始反思是否有必要把这种只用一次又十分敏感的数据从边缘节点“搬运”到中心节点[6]。文献[31]提出的联邦学习提供了一种分布式训练框架。如图3(c)所示,每个边缘节点根据本地数据训练局部模型,再把局部模型的参数或梯度上传给中心节点;中心节点合并所有边缘节点的局部模型得到全局模型,并把全局模型下发给边缘节点进行下一轮学习。通过在边缘节点和中心节点之间进行多轮次的通信和迭代,全局模型可以达到与集中式训练相近的性能[32]。在学习过程中数据始终保存在本地,保障了边缘节点的数据隐私和安全。集中式训练和分布式训练方式主要在以下几方面有所不同:


本文编号：3213922