边缘计算下的联邦学习挑战及进展

近年来,边缘计算和联邦学习技术受到了学术界和工业界的广泛关注。边缘计算充分利用位于边缘设备、边缘节点及边缘服务器上的计算和存储资源,减少对通信资源的消耗,提供了分布式计算和数据处理的能力。联邦学习作为一种分布式的机器学习方法,通过在本地进行模型训练,以达到保护数据隐私安全的目的。边缘计算和联邦学习这两项技术的结合,不仅可以实现边缘端的智能决策,还能减少通信开销,保护用户数据隐私安全。本文首先描述了边缘计算下的联邦学习所面临的一系列挑战,例如,通信、计算资源及能耗等受限,设备异构、数据异构、设备连接不稳定以及安全隐私保护等,然后分别从这三个方面对近两年有代表性的研究进展进行了概括,最后对全文进行了总结。