17、联邦学习在无线边缘网络中的挑战与未来方向

联邦学习在无线边缘网络中的挑战与未来方向

1. 联邦学习的现状与前期工作概述

联邦学习（FL）在未来边缘智能网络中具有重要的推动作用，它能够促进和赋能边缘端的可扩展人工智能发展。然而，FL也存在一些缺点和局限性，如通信效率低下、资源分配不当以及隐私和安全侵犯等问题，这些问题是在大规模实施FL之前需要解决的关键问题。

为了解决这些问题，前期提出了一些技术方案：
- 激励机制设计 ：针对传统合同优化的局限性，设计了一个多维合同和匹配优化框架，尤其考虑了无人机（UAV）和人工智能赋能的边缘智能网络场景，因为UAV具有多种资源异质性来源，多维合同有助于应对这一情况。
- UAV的中间聚合作用 ：除了将UAV用作空中传感设备外，UAV还有潜力通过辅助中间聚合来弥合地面数据所有者和云之间的差距。考虑到UAV的硬件限制，引入了联合拍卖 - 联盟框架，以实现UAV集群的最优形成和UAV服务的定价。
- 分层资源分配框架 ：为了解决FL网络的自组织和动态性问题，提出了一个用于通信高效分层FL的分层资源分配框架。在下层，设计了一个进化博弈模型来推导集群的均衡组成；在上层，采用基于深度学习的拍卖机制来推导集群头到模型所有者的分配以及竞争模型所有者对集群头服务的最优定价。

2. 大规模部署FL面临的挑战

2.1 参与者退出问题

现有的参与者选择和资源分配算法通常假设参与者的无线连接始终可用，但在实际中，由于连接性或能源限制，参与的移动设备可能会离线并退出FL系统。大量设备退出训练会显著降低FL系统的性能，如准确性和