Федеративне навчання в мережах IoT
Анотація
Розвиток Інтернету речей (IoT) створює специфічні вимоги до машинного навчання, пов’язані з розподіленою природою даних, ресурсними обмеженнями пристроїв та приватністю інформації. Федеративне навчання (Federated Learning, FL) є парадигмою розподіленого машинного навчання, що дозволяє навчання моделей на периферійних пристроях без централізації сирих даних. Стаття надає систематичний огляд методологій федеративного навчання для IoT-мереж. Проаналізовано адаптивні алгоритми оптимізації (EAFO, FedEAFO), техніки компресії комунікацій, методи забезпечення приватності (FedHDPrivacy) та архітектурні рішення для гетерогенних IoT-середовищ. Розглянуто специфічні виклики IoT-FL: статистичну гетерогенність (non-IID дані), системну гетерогенність пристроїв, енергетичні обмеження та динамічність мережевих з’єднань. Представлено багатовимірну класифікацію методів FL за критеріями архітектури, оптимізації та захисту приватності. Експериментальні результати демонструють досягнення компресії комунікацій до 100x з мінімальною втратою точності. Ідентифіковано відкриті проблеми масштабованості до мільйонів пристроїв та адаптації до динамічних топологій. Визначено перспективні напрямки: континуальне навчання, інтеграція з 5G/6G мережами та нейроморфні обчислення для ультра-низькоенергетичних IoT-пристроїв.
Посилання
2. E. Alam. Federated averaging algorithm: An analysis of distributed machine learning. 2023.
3. D. C. Nguyen, M. Ding, P. N. Pathirana, A. Seneviratne, J. Li, and H. Vincent Poor. Federated learning for internet of things: A comprehensive survey. IEEE Communications Surveys & Tutorials 23 (3), 2021, pp. 1622–1658.
4. T. Zhang, L. Gao, C. He, M. Zhang, B. Krishnamachari, and S. Avestimehr. Federated learning for internet of things: Applications, challenges, and opportunities. 2022.
5. Z. Chen, H. Cui, E. Wu, and Y. Xi. Efficient adaptive federated optimization of federated learning for IoT. 2022
