聯邦學習在無線網絡中的應用

劉姿杉，程 強，李建武

(1.中國信息通信研究院，北京 100191；2.北京理工大學 前沿技術研究院，山東 濟南 250300)

0 引言

目前，許多科研機構和產業界都發布面向6G網絡的愿景[1-4]，業界已經對于人工智能應用于6G網絡來實現網絡內生智能初步形成共識。利用人工智能技術，可以實現無線網絡的端到端性能優化、運維效率的提升、創新應用和智能服務，實現對網絡本身和整個行業服務的升級[1-5]。然而，傳統基于中央服務器(通常部署在云數據中心)的模型訓練框架正遭受越來越多的數據隱私和安全挑戰，集中式數據傳輸和處理帶來巨大的傳輸開銷，難以實現網絡無處不在的內生智能[6]。與此同時，無線系統將支持超密集設備節點，尤其是面向智能網聯汽車和物聯網等密集終端場景時，數據通常以分布式的形式產生和存儲在不同用戶設備中。因此，如何實現較低的通信開銷、較好的收斂性、安全和隱私保護的分布式訓練和推理就變得尤為重要。聯邦學習[7]作為一種分布式機器學習框架，允許在不泄露本地數據的前提下進行多方的模型訓練，且模型效果與集中式訓練趨同，并能夠提高網絡中算力的分布式利用效率，成為移動網絡智能化發展的潛在關鍵技術。

將聯邦學習引入無線網絡目前已經受到研究界與工業界的廣泛關注。文獻[8]探索了將聯邦學習應用于5G網絡的潛在應用場景，并提出無線通信背景下聯邦學習研究的開放性問題。文獻[9]對將聯邦學習應用于6G網絡的方法、挑戰與未來研究方向進行了總結。本文簡述了聯邦學習相關技術原理及其分類，探索了聯邦學習在無線網絡中的應用場景，并通過考慮無線網絡應用聯邦學習的性能因素來重點分析聯邦學習在網絡中應用的現有成果。最后，提出聯邦學習與未來通信網絡系統的發展建議。

1 聯邦學習技術背景

1.1 聯邦學習技術原理

聯邦學習的概念最早在2016年由谷歌提出，本質上是一種分布式機器學習的框架，如圖1所示。聯邦學習場景一般由一個參數服務器(中央服務器)和多個客戶端組成。每個客戶端都有自己的本地數據集，在訓練開始前從參數服務器下載初始的全局模型，然后在保留數據本地化的前提下進行本地模型的訓練，并將模型更新數據上傳至參數服務器，由參數服務器負責聚合多個模型訓練參與方的本地模型。參數服務器加權聚合本地模型，得到全局模型。經過以上多輪迭代更新后，得到最終的聚合模型，和集中式訓練的模型相比，性能幾乎無損。

圖1 聯邦學習示例Fig.1 Illustration of federated learning

聯邦學習算法的原理簡述如下：將參與聯邦學習的客戶端集合記為C，每個客戶端c∈C持有本地數據集Dc={Xc,Yc}。其中，Xc∈|Dc|×d表示客戶端c的訓練數據的特征空間向量，Yc∈|Dc|×m表示客戶端c的訓練數據的標簽矩陣。為了確定最優的模型參數集，必須優化損失函數。將具有參數w的模型對訓練樣本{xi,yi}產生的損失函數記為l(w;xi,yi)，w為神經元間的權重矩陣，因此對客戶端本地數據集Dc的損失函數計算為：因此，中央服務器的目標函數通常記為其中是所有客戶端數據量的總和。

聯邦學習的目標優化算法中，通常利用隨機梯度下降(Stochastic Gradient Descent，SGD)算法來進行模型權重的更新，客戶端c在第t輪次的模型權重更新為：wt,c=wt-1,c-ηfc(w)，中央服務器的模型參數聚合更新為：

1.2 聯邦學習技術分類

聯邦學習技術分類說明如表1所示。根據聯邦學習客戶端數據集的特征，聯邦學習可被分為橫向聯邦學習、縱向聯邦學習和聯邦遷移學習[7]。針對每個客戶端的數據集Dc，假設I表示數據集中的樣本ID，X表示數據集中的特征類別，Y表示數據集中的標簽類別。其中，橫向聯邦學習適用于參與方的數據特征重疊部分較多，但樣本ID重疊較少的情況。橫向聯邦學習在無線網絡中典型的應用場景，例如在5G網絡不同的UPF之間通過內置的網絡數據分析功能(Network Data Analytics Function，NWDAF)，各自利用不同用戶的數據來進行橫向聯邦學習，可以實現數據不出局要求下的準確業務識別。

表1 聯邦學習技術分類說明

縱向聯邦學習適用于參與方之間的訓練數據的樣本ID重疊較多,但數據特征有較大不同的場景。一般來說，縱向聯邦學習主要由兩邊進行合作，其中一方掌握了訓練數據的標簽信息，各方擁有自己的特征信息。典型的應用場景，例如運營商A運用自己的網絡數據(例如網絡接入時延、帶寬等)與可以提供業務數據(例如視頻卡頓時間/頻率等)的業務服務商B進行模型的聯合訓練，從而實現更精準的用戶體驗質量(Quality of Experience，QoE)評估和預測。

聯邦遷移學習將聯邦學習與遷移學習的概念加以結合，以實現在用戶特征與用戶ID重合度都很低的數據集之間的協同建模。聯邦遷移學習一般給定目標域Dt和目標任務Tt，利用源域Ds的源任務Ts所訓練的模型，通過安全與數據隔離的方式進行模型的遷移，來提升Tt中模型的訓練效率和效果。典型的應用場景，例如無線網絡中不同業務間的用戶ID和用戶特征可能重合度都很低，采用聯邦遷移學習將語音業務的MOS模型遷移到視頻業務或者支付業務MOS模型訓練中。

2 無線網絡中聯邦學習應用場景

聯邦學習有望在未來電信網絡的多個潛在場景中得到應用，并通過與物聯網、邊緣計算、5G/6G等技術相結合，來支持更多智能化應用的開展，對網絡性能進行全局優化，推動實現網絡內生智能。

2.1 物聯網

機器學習在管理、部署、數據分析和決策等方面為物聯網的成功做出了重大貢獻。盡管如此，物聯網中機器學習的應用也受到了來自隱私問題的阻礙。此外，隨著物聯網設備的數量呈指數級增長，集中式存儲和處理這些數據將變得非常困難和低效。另一方面，隨著物聯網被高帶寬、低時延、邊緣計算等5G和6G網絡技術的賦能，使得物聯網設備能夠有效利用邊緣的計算資源以更快和性能更好的方式在本地進行模型的訓練。聯邦學習在物聯網中可以潛在應用于多個場景，包括家居、醫療、交通和工業等。例如，Moradipari等[10]提出基于實時交通和天氣數據的車隊聯邦動態調度框架。蘋果的研發人員[11]提出具有差分隱私能力的聯邦學習模型，以改進智能家居設備上語音認證模型的性能，同時降低原始用戶數據泄露的風險。文獻[12]從聯邦學習方法出發，為移動邊緣計算輔助工業物聯網設計了一種高效、靈活的管理方案。在所考慮的工業物聯網(Industrial Internet of Things，IIoT)中，所有設備都有一些計算任務需要借助一些計算接入點進行計算。雖然IIoT的性能可以通過基于一些集中式方案的資源分配來優化，但這種解決方案既不高效也不靈活。為了解決集中式資源分配與計算的效率與靈活度不高的問題，采用基于深度強化學習算法的聯邦學習來調整任務卸載率、帶寬分配率和發射功率，從而使歸一化系統代價最小化，同時降低通信代價。IIoT設備收集的數據與商業價值高度相關，這使得隱私保護變得重要。例如，竊聽者可從IIoT用戶的用電量推斷其制造能力。為應對上述挑戰，Lu等[13]針對IIoT提出了基于區塊鏈的聯邦學習共享框架，利用區塊鏈來記錄聯邦學習過程中模型參數的更新過程，實現對參與者模型更新的可追溯與可驗證，其結果證實了聯邦學習在IIoT中的應用效率。

2.2 邊緣計算

隨著人工智能技術發展，新一代基礎設施的AI賦能，使得邊緣節點具備了參與AI計算與決策的能力。邊緣計算分布式的特點天然與聯邦學習框架相匹配，因而可以在不侵犯用戶隱私的前提下，利用邊緣節點進行模型的聯合訓練，充分利用邊緣設備的算力資源，極大地提高了邊緣計算系統中模型學習的效率。聯邦學習對邊緣計算的賦能場景包括邊緣緩存、計算卸載和網絡攻擊檢測等。例如，文獻[14]提出了基于聯邦學習的主動內容緩存方案，在保護用戶隱私的前提下來預測業務內容的流行度，優化邊緣緩存服務。Liu等[15]提出了一種協作入侵檢測機制，將訓練模型卸載到分布式邊緣設備，從而降低了中央服務器的資源利用率，同時確保了安全性和隱私性。針對新冠病毒診斷，文獻[16]通過分析和評估在邊緣智能處理臨床視覺數據的潛力，利用聚類聯邦學習在保護用戶隱私前提下，進行新型冠狀病毒肺炎的自動診斷，從而使缺乏先進診斷設施的遠程醫療中心可以受益于多模式數據帶來的模型效益。文獻[17]研究了基于參與者—批評家聯邦學習用于5G多址邊緣計算的細粒度任務卸載。邊緣節點可以利用本地數據來訓練本地模型，并通過集中匯聚后獲得對每個節點最優的動作策略，結果證明可以提高計算效率和電量使用效率等。

2.3網絡性能分析與優化

隨著5G和AI技術的融合發展，網絡智能化已經成為5G/6G網絡發展的必然趨勢。集中式機器學習存在個人信息保護、跨域數據和端到端數據難以集中獲取等問題，聯邦學習允許網絡以及用戶之間分布式的方式共同參與機器學習，進一步推動機器學習在網絡性能分析與優化中的應用。例如，考慮5G網絡中不同廠家的用戶面功能(User Plane Function，UPF)數據難以集中共享、不同的UPF業務分布不均等問題，依靠單一UPF的業務樣本數據進行業務識別模型訓練難以達到精準識別要求。通過內置NWDAF的UPF之間進行橫向聯邦學習，可以實現數據不出局要求下的業務識別準確率提升[18]。聯邦學習還可用于任務調度與資源分配等可以將決策權力下放到各個網絡節點的場景，用戶或基站以分布式的方式來計算本地收集到的數據，進一步推動了機器學習在無線網絡優化問題中的應用。例如，基于聯邦強化學習，可以使得每個基站在功率控制方案和效用值之間建立關系，以尋找最優功率控制方案，并通過基站之間交換本地模型參數來實現整網的功率控制優化[19]。

2.4 垂直業務與服務體驗提升

基于聯邦學習，運營商或設備廠商等可以與垂直行業以及業務服務商進行聯合建模，一方面可以實現對網絡用戶體驗的提升，另一方面可以實現對垂直領域業務的支持與多樣化發展。例如，通過縱向聯邦學習，運用運營商的網絡數據(如速率、網絡接入時延等)和業務服務商的應用數據(如MOS評分、卡頓時間/頻率等)進行模型的聯合訓練，運營商可以進行更精準的QoE評估和預測，從傳統以網絡為中心的關鍵績效指標(Key Performance Indicator，KPI)管理模式向以用戶為中心的管理模式轉變，從而提高用戶體驗滿意度和網絡運營能力。在垂直業務領域(例如金融領域)，為了更精準、更全面地刻畫用戶信用情況，運營商與金融機構可以利用各自的用戶數據，利用聯邦學習在數據隱私的前提下共建風控模型，來識別個人和企業背后的復雜關系鏈條及欺詐風險，為金融客戶融資鑒權和增信提供準確判斷。

3 無線網絡中聯邦學習關鍵技術

無線網絡下非獨立正交和非均衡的用戶數據、異質和能量受限的設備、隱私與安全需求以及不穩定的通信條件，都使得高效的無線網絡中分布式機器學習成為挑戰[20]。因此，相關的研究實踐要全面考慮網絡和數據特征，從數據隱私、傳輸性能和模型訓練效率等維度進行性能分析與優化設計。目前，無線網絡聯邦學習的關鍵技術研究包括通信效率提升、客戶端選擇與調度、訓練性能優化、隱私保護與安全增強、節點激勵與個性化聯邦等方面。

3.1 通信效率提升

針對聯邦學習在無線網絡中的通信提升，目前已有研究成果中對于網絡場景和限制的考慮包括：信道衰落與噪聲影響[21-22]、信道接入技術[23]、大規模MIMO[24]以及設備電量與通信資源限制[25-26]等，相關的技術方法包括：模型梯度的量化與稀疏化[21,23,26]、隨機選參[25]、局部計算[26]、參數凍結[27]和蒸餾技術[28-29]等。

模型梯度的量化與稀疏化只保留一部分模型梯度的張量，或通過對模型參數進行權重量化后上傳低精度的參數值，從而減少每輪通信有效載荷的大小，缺點是犧牲了一部分模型梯度的精度。隨機選參的思想是在每輪進行模型參數上報時，通過隨機選取(或策略選舉)的方式選取一部分參與方進行模型參數的上傳。局部計算允許每個參與者在每2次全局模型參數同步之間進行更多的本地計算，從而減少全局模型更新的回合，降低總體通信載荷。文獻[27]指出，在聯邦訓練過程中，大部分模型在參與最終模型收斂之前已經逐漸穩定，因此可以在不影響模型準確性的情況下，通過降低參數上傳頻率來減少通信開銷。然而，挑戰在于全局同步中排除的局部參數可能在不同的客戶端上存在差異，同時一些參數可能只是暫時穩定。為了應對這些挑戰，提出了一種自適應參數凍結的新方案，通過自適應凍結已經穩定的模型參數來降低通信成本，廣泛的實驗結果證明該方案可以將數據傳輸減少60%以上。文獻[29]提出壓縮聯邦蒸餾(Compressed Federated Distillation，CFD)方法，利用協同蒸餾的關鍵原理，并在文本檢測等任務中，將實現固定性能目標，所需的累積通信量從8 570 MB 降低至0.81 MB，極大地提高了聯邦學習過程的通信效率。

文獻[21]針對無線瑞利衰落信道下的聯邦學習，提出了分布式隨機梯度下降方案，在每次模型迭代時根據當前的信道條件隨機選擇節點進行參數傳輸，并基于當前的帶寬與信道狀態將梯度量化為可以成功傳輸的位數發送給中央服務節點。Chang等人[23]提出結合信道接入感知的梯度量化方案，各參與方根據所處信道條件，基于信道接入的容量區域進行模型參與的傳輸優化，這種基于信道感知的參數量化方案與均勻量化相比，能夠更好地利用信道提高傳輸效率，但方案需要較為精確的信道狀態信息。文獻[25]提出了一種FedCS算法，通過在每輪更新中利用貪心算法的協議機制選擇模型迭代效率最高的客戶端進行模型的聚合，從而提高收斂效率，進而降低通信代價。然而，該方案在客戶端數據非獨立同分布的情況下，公平性保證較差并有可能降低模型收斂效率，反而增加通信次數。文獻[26]提出在異構邊緣設備之間進行集成局部計算與梯度稀疏化2種通信壓縮方法，來均衡聯邦學習過程中的通信性能與設備耗電量。Ahn等[28]指出，經典的分布式訓練方法通常假定無噪聲且理想的無線信道，然而當把聯邦學習下沉到網絡連接層時，可以基于信道編碼和聯合信源信道編碼等技術實現數字化的聯邦學習和聯邦蒸餾技術。聯邦蒸餾技術對于通信成本的降低都是以由局部知識蒸餾引起的計算開銷為代價的，其魯棒性與模型收斂性能等方面還存在進一步研究的空間。

3.2 客戶端選擇與調度

在實際網絡進行聯邦學習過程中，由于受限于網絡節點狀態與通信環境等，在每輪迭代訓練中往往只選擇一部分客戶端節點參與聯邦訓練過程。客戶端節點的選擇對聯邦學習過程中計算效率、通信效率、最終模型效果及公平性等方面的影響至關重要。

文獻[30]采用分布式隨機梯度下降法時，局部參數更新的質量由更新的方差來衡量。考慮到此，提出了一種高效的動態用戶選擇算法，根據用戶的通信和計算成本自適應選擇參與的用戶及其小批量的數據。結果表明，針對獨立同分布數據的情況，在每輪選擇一組通信成本最低的用戶，并在下一輪中選擇更多具有較大數據量的用戶進行模型的訓練是最優的。文獻[31]研究了無線環境下聯邦學習的客戶端調度和資源塊的分配問題，以在不完美的信道狀態信息和有限的本地計算資源下，在預定義的訓練時限內利用聯邦學習提高模型訓練的性能。將訓練損失最小化與客戶端調度和資源塊分配之間的關系抽象為隨機優化問題，并利用李雅普諾夫優化來求解，通過基于高斯過程回歸的信道預測方法來學習和跟蹤無線信道，從而將預測結果納入客戶端的調度決策。仿真結果表明，與最先進的客戶端調度和資源塊分配方法相比，提出的方法將訓練精度損失的差距減少40.7%。

隨著強化學習技術的發展，一些學者與研究人員開始考慮將強化學習用于聯邦學習的客戶端調度與策略決策過程中，在環境信息存在未知的情況下，通過強化學習來進行參與節點的選擇，從而優化聯邦學習長期的性能。例如，Zhang等[32]提出了在工業互聯網場景下，利用深度多智能體強化學習的聯邦學習來選擇參與設備，并為訓練和傳輸模型參數分配計算和頻譜資源，從而在滿足延遲和長期能耗要求的同時最小化聯邦學習模型的評估損失。文獻[33]考慮了參與節點可以接入的信道數小于客戶端設備數的聯邦學習場景，并提出在無法獲知無線信道狀態信息與客戶端資源動態使用情況的情況下，基于多臂老虎機框架在線進行聯邦學習客戶端的選擇，從而最小化整個訓練過程的時間消耗。仿真結果顯示，通過增加每輪參與的客戶數量可以提高理想情況下的收斂速度，但在非理想情況下，每輪參與的客戶端數量會影響模型收斂性能。文獻[34]提出了一種基于多準則的聯邦學習客戶端選擇的方法——FedMCCS，在每一輪更新迭代中，同時考慮每個客戶端資源及其成功訓練和發送模型更新數據量的能力，將選擇的客戶端數量最大化。

3.3 訓練性能優化

無線網絡環境下，聯邦學習模型的收斂、精確度與通信成本等需要考慮用戶數據的非獨立同分布性、設備的異質與電量受限和通信環境不穩定等非理想影響因素來進行深入的評估，以及相應的自適應調整和優化，例如訓練過程中學習頻率的調整、模型自適應聚合以及利用異步學習提高對于節點連接不穩定的適應能力等。目前針對無線聯邦學習的訓練優化過程，已有一些相關的研究工作出現。

文獻[35]將無線網絡中的聯邦學習描述為一個優化問題，其中主要考慮聯邦學習精度、通信延遲以及用戶能耗之間的均衡，并提出了獲得最優學習時間、精度水平和終端能量消耗的優化問題的閉式解。文獻[36]通過經驗和數學分析觀察到設備上訓練數據的分布與基于這些數據訓練的模型權重之間的隱含聯系，從而根據其上傳的模型權重來分析該設備上的數據分布，并提出了一種叫做Favor的經驗驅動控制框架，它基于強化學習算法來智能地選擇參與每一輪聯邦學習的客戶端，以抵消用戶非獨立同分布數據引入的偏差，并加速收斂速度。通過在PyTorch中進行的大量實驗表明，與聯邦平均算法相比，在MNIST數據集上所提算法所需的通信輪數可以減少高達49%，在FashionMNIST數據集上減少23%，在CIFAR-10數據集上減少42%。為了解決無線網絡中用戶訓練數據非獨立同分布所帶來的聯邦學習性能嚴重下降的問題，Zhao等[37]提出了一種聯邦平均方案來減小非獨立同分布數據的分布散度，并將數據共享與無線網絡中的聯邦學習相結合，進一步協調數據分布差異，來保持模型精度和成本之間的精確平衡。文獻[38]則考慮同時優化本地訓練與全局聚合的過程，首先通過選擇參與者子集并自適應調整其批量大小來減輕非獨立同分布數據帶來的負面影響，并提出基于深度強化學習實現自適應控制局部模型訓練和全局聚合階段的方法，通過實驗表明，與最先進的方法相比，所提方法可以將模型精度提高30%。

3.4 隱私保護與安全增強

聯邦學習過程容易受到拜占庭攻擊、數據投毒和模型反推理等攻擊的影響，從而導致模型準確率降低或隱私保護受損等，尤其是在無線網絡開放的環境中[39]。目前學術界已經出現針對無線網絡聯邦學習過程的安全與隱私增強相關的工作，其中安全增強主要是設計對攻擊的防御策略，隱私增強則是通過差分隱私或同態加密等機制來實現。

文獻[40]對目前針對數據投毒和模型投毒的防御策略進行了總結，包括魯棒性更高的隨機聚合方法、基于余弦相似度和準確度檢驗等進行模型異常檢測的方法以及多種方法結合的混合機制等。為了進一步提高無線網絡下聯邦學習的隱私性能，差分隱私是在聯邦學習中應用較多的隱私保護機制。文獻[41]提出無線設備以非編碼的方式同時傳輸其模型更新，從而更有效地利用可用頻譜，同時可以為傳輸設備提供差分隱私性能，并實現更快速的模型收斂，類似的工作也出現在文獻[42]中。利用區塊鏈的可追溯和不可篡改等優勢，與分布式的聯邦學習相結合，可以很好地解決聯邦學習過程中網絡節點之間的不可信以及模型參數傳輸受損等問題，這一思路已經在一些研究成果中得到應用[13,43-44]。但無線網絡中節點計算資源和通信資源受限，需要結合密碼學和共識機制研究以更適用于無線邊緣展開聯邦學習的輕量級區塊鏈架構。

3.5 節點激勵與個性化聯邦

在無線網絡中，聯邦學習通過分布式學習所有參與的網絡設備或終端設備的本地數據而獲得更泛化的全局模型，但同時缺少了捕獲每個客戶端或設備個性化信息的能力。個性化聯邦學習通過在設備、數據和模型級別上進行個性化處理，來減輕異構性并考慮每個客戶端所獲得的個性化模型，文獻[45]將個性化聯邦機制總結為遷移學習[45]、元學習[46]、多任務學習[47]和分層多模型[48]等。其中，遷移學習通過將全局共享模型遷移到網絡邊緣設備上，并進一步對模型進行個性化處理，從而減輕無線網絡中設備之間的異構性問題。聯邦元學習將元學習中的相似任務作為設備的個性化模型，通過協作學習實現客戶端模型的個性化處理。分層多模型聯邦學習中的模型采用分層結構，首先對所有層進行全局訓練，每層有多個功能相同的模塊。同層的不同模塊可以使用不同的神經網絡，也可以使用不同的計算學習算法。因此可以根據不同參與方的性能差異選擇不同的模塊或算法進行個性化實現。

已有一些研究利用激勵機制或博弈論來對參加者進行激勵。文獻[49]利用信譽值來衡量無線系統中移動設備參與聯邦學習的可靠性和可信賴度的指標，通過提出一種有效的激勵機制來激勵具有高質量、高信譽的移動設備參與模型訓練過程。Zhan等[50]針對物聯網場景提出一種基于深度強化學習的激勵機制，使得邊緣服務器學習最優的定價策略，從而激勵邊緣節點參與聯邦學習過程。

4 未來展望與發展建議

盡管關于無線網絡中聯邦學習的應用目前已經有越來越多的研究工作與落地應用正在開展，在標準建設、架構接口和生態建設等方面仍需要更多的投入與推進。因此，對于無線網絡中聯邦學習的發展應用提出以下建議。

4.1 加強無線網絡聯邦學習關鍵需求與技術研究

無線網絡中，聯邦學習的應用受到節點的數據、算力與通信資源的異構性等方面的限制，與此同時網絡不同設備在模型訓練的參與度、模型個性化與安全性等方面存在多樣化需求。因此，應加強對適用于網絡及其細分場景的聯邦學習應用的開展流程、通信需求、數據需求、算力要求與所需關鍵技術的研究，重點開展面向聯邦學習異構計算資源池化、調度與管理的相關研究工作。

4.2 重視無線網絡聯邦學習標準與測評工作開展

通過對無線網絡聯邦學習的功能體系、性能評估與應用場景進行標準化，可以對網絡聯邦學習的應用起到引導作用。開展網絡聯邦學習的標準化與測評工作，應重點關注網絡應用聯邦學習形成的智能化產品及新服務模式的相關標準化工作，發展網絡聯邦學習的性能評估指標體系與安全評估體系，建立無線通信領域聯邦學習能力成熟度模型，推動無線通信領域聯邦學習的評測用例與性能基準的開源建設。

4.3 加快無線網絡聯邦學習落地應用與產業發展

聯邦學習在無線網絡中的應用優勢最終需要落地實踐來證明，因此無線網絡中聯邦學習的發展需要積極開展工程探索與應用示范，拓展垂直領域聯邦學習應用，并展開對網絡聯邦學習的試驗與性能驗證，發展實踐與驗證渠道。發展無線網絡與人工智能技術相關的復合型人才，推動未來網絡與人工智能的融合發展，助力網絡智能化發展。

5 結束語

人工智能當前面臨“數據孤島”及隱私監管力度加大的巨大挑戰，聯邦學習的出現為人工智能的進一步發展提供了新的解決方案。通過聯邦學習的架構方案設計及隱私保護技術應用，可使多個數據擁有方協同建立共享模型，達到模型訓練與隱私保護雙贏的目的。聯邦學習在未來的網絡自動駕駛、邊緣計算、物聯網、車聯網、用戶體驗提升以及垂直行業等領域具備廣闊的應用前景。通過開展電信聯邦學習在技術、標準、測評、應用示范與產業合作等多方面的工作，推動無線網絡聯邦學習的發展，加速人工智能技術的創新發展，催生以運營商為中心的跨領域生態合作，全面提升網絡性能，推動網絡的內生智能。