计算机研究与发展

作者：张雪晴,刘延伟,刘金霞,韩言妮,

关键词：联邦学习, 边缘计算, 边缘智能, 模型聚合, 资源受限,

随着边缘智能需求的快速增长，联邦学习（federatedlearning，FL）技术在产业界受到了极大的关注.与传统基于云计算的集中式机器学习相比，边缘网络环境下联邦学习借助移动边缘设备共同训练机器学习模型，不需要把大量本地数据发送到云端进行处理，缩短了数据处理计算节点与用户之间的距离，在满足用户低时延需求的同时,用户数据可以在本地训练进而实现数据隐私保护.在边缘网络环境下，由于通信资源和计算资源受限，联邦学习的性能依赖于无线网络状态、终端设备资源以及数据质量的综合限制.因此，面向边缘智能应用，首先分析了边缘智能环境下高效联邦学习面临的挑战，然后综述联邦学习在客户端选择、模型训练与模型更新等关键技术方面的研究进展，最后对边缘智能联邦学习的发展趋势进行了展望.

来源：2023年第6期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2023年第6期