基于联邦学习的移动通信资源管理:方法、进展与展望
由于联邦学习(federated learning,FL)具有在参与方不共享数据的情况下即可进行模型训练,在保护数据隐私的同时,实现有效的资源管理等特点,FL已成为移动通信资源管理领域的研究热点之一.因此,对FL在移动通信资源管理中的方法、进展与展望进行综述与分析.首先,在引入FL基本概念的基础上,重点对FL在分布式无线网络、移动边缘网络、车联网、雾无线接入网络和超密集网络场景中资源管理方法的性能进行讨论,并分析其优缺点;然后,结合FL在移动通信资源管理领域的研究进展,讨论FL面临的挑战并提出可行的解决方案;最后,展望FL在移动通信资源管理领域潜在的发展方向.
联邦学习、共享数据、数据隐私、移动通信、资源管理、机器学习
48
TN915
国家自然科学基金;教育部国家留学基金;北京市博士后工作经费资助项目
2022-07-14(万方平台首次上网日期,不代表论文的发表时间)
共11页
783-793