用于边缘计算的人工智能物联网的联邦学习：一项全面调查

《Knowledge-Based Systems》：Federated Learning for Edge Computing Enabled Artificial Intelligence of Things: A comprehensive survey

　　

李启雷|高明亮|翟文哲|吴文泰|王晨|艾哈迈德·M·阿卜杜勒蒙尼姆

摘要

在当代人工智能计算范式中，联邦学习（Federated Learning，FL）作为一种创新方法脱颖而出，并在与边缘计算结合时展现了巨大潜力。这两种技术的结合为物联网中的人工智能（AIoT）的发展奠定了基础。本文探讨了FL与边缘计算之间的协同整合，以提升AIoT在去中心化环境中的能力。通过在数据更接近的位置执行计算任务，边缘端的FL不仅缓解了以云为中心的架构所固有的延迟和带宽限制，还为隐私问题提供了强有力的解决方案——这是传统集中式训练设置中的一个关键障碍。本文深入分析了FL如何解决这些隐私问题，详细解释了其运作原理、应用以及对AIoT系统的益处。通过这一研究，我们强调了FL在提升AIoT部署效率和隐私保护方面的潜力，同时指出了未来的研究方向及其在各个领域的预期影响。本研究旨在全面理解适用于边缘计算支持的AIoT的FL技术，并促进智能技术和应用在互联互通世界中的发展。