Topology-aware Federated Learning in Edge Computing: A Comprehensive Survey

要約

5G/6G アプリケーションの超低遅延要件とプライバシーの制約により、分散機械学習システムをエッジに導入することが求められます。
フェデレーテッド ラーニング (FL) は、そのシンプルかつ効果的なアプローチにより、分散されたプライベート トレーニング データを使用するエッジ コンピューティングにおける大規模なユーザー所有のデバイスに対する自然なソリューションです。
FedAvg に基づく FL メソッドは通常、単純なスター トポロジに従い、実際の不安定なエッジ コンピューティング アーキテクチャとトポロジの異質性と階層を無視します。
他にもいくつかのネットワーク トポロジが存在し、スター トポロジの制限やボトルネックに対処できます。
これが、ネットワーク トポロジ関連の FL ソリューションを調査する動機となっています。
このペーパーでは、ネットワーク トポロジに焦点を当てて、既存の FL 作品の包括的な調査を実施します。
FL およびエッジ コンピューティング ネットワークの概要を説明した後、さまざまなエッジ ネットワーク トポロジとその利点と欠点について説明します。
最後に、トポロジ固有のエッジ ネットワークに FL を適用するための残りの課題と今後の取り組みについて説明します。

要約(オリジナル)

The ultra-low latency requirements of 5G/6G applications and privacy constraints call for distributed machine learning systems to be deployed at the edge. With its simple yet effective approach, federated learning (FL) is a natural solution for massive user-owned devices in edge computing with distributed and private training data. FL methods based on FedAvg typically follow a naive star topology, ignoring the heterogeneity and hierarchy of the volatile edge computing architectures and topologies in reality. Several other network topologies exist and can address the limitations and bottlenecks of the star topology. This motivates us to survey network topology-related FL solutions. In this paper, we conduct a comprehensive survey of the existing FL works focusing on network topologies. After a brief overview of FL and edge computing networks, we discuss various edge network topologies as well as their advantages and disadvantages. Lastly, we discuss the remaining challenges and future works for applying FL to topology-specific edge networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google