文献类型：期刊文章

作　　者：孙恩昌[1] 张卉[1] 何若兰[1] 张冬英[2] 张延华[1,3]

SUN Enchang;ZHANG Hui;HE Ruolan;ZHANG Dongying;ZHANG Yanhua(Faculty of Information Technology,Beijing University of Technology,Beijing 100124,China;Information Technology Support Center,Beijing University of Technology,Beijing 100124,China;Beijing Laboratory of Advanced Information Networks,Beijing 100124,China)

机构地区：[1]北京工业大学信息学部,北京100124 [2]北京工业大学信息化建设与管理中心,北京100124 [3]先进信息网络北京实验室,北京100124

出　　处：《北京工业大学学报》

基　　金：国家自然科学基金资助项目(61671029);中国国家留学基金资助项目(2018-10038);北京市博士后工作经费资助项目(ZZ2019-73).

年　　份：2022

卷　　号：48

期　　号：7

起止页码：783-793

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：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.

关 键 词：联邦学习  共享数据 数据隐私 移动通信 资源管理 机器学习  

分 类 号：TN915]