当前位置:
X-MOL 学术
›
IEEE Commun. Surv. Tutor.
›
论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Federated Learning for Internet of Things: A Comprehensive Survey
IEEE Communications Surveys & Tutorials ( IF 35.6 ) Pub Date : 2021-04-26 , DOI: 10.1109/comst.2021.3075439 Dinh C. Nguyen , Ming Ding , Pubudu N. Pathirana , Aruna Seneviratne , Jun Li , H. Vincent Poor
IEEE Communications Surveys & Tutorials ( IF 35.6 ) Pub Date : 2021-04-26 , DOI: 10.1109/comst.2021.3075439 Dinh C. Nguyen , Ming Ding , Pubudu N. Pathirana , Aruna Seneviratne , Jun Li , H. Vincent Poor
The Internet of Things (IoT) is penetrating many facets of our daily life with the proliferation of intelligent services and applications empowered by artificial intelligence (AI). Traditionally, AI techniques require centralized data collection and processing that may not be feasible in realistic application scenarios due to the high scalability of modern IoT networks and growing data privacy concerns. Federated Learning (FL) has emerged as a distributed collaborative AI approach that can enable many intelligent IoT applications, by allowing for AI training at distributed IoT devices without the need for data sharing. In this article, we provide a comprehensive survey of the emerging applications of FL in IoT networks, beginning from an introduction to the recent advances in FL and IoT to a discussion of their integration. Particularly, we explore and analyze the potential of FL for enabling a wide range of IoT services, including IoT data sharing, data offloading and caching, attack detection, localization, mobile crowdsensing, and IoT privacy and security. We then provide an extensive survey of the use of FL in various key IoT applications such as smart healthcare, smart transportation, Unmanned Aerial Vehicles (UAVs), smart cities, and smart industry. The important lessons learned from this review of the FL-IoT services and applications are also highlighted. We complete this survey by highlighting the current challenges and possible directions for future research in this booming area.
中文翻译:
物联网联邦学习:一项综合调查
随着由人工智能 (AI) 提供支持的智能服务和应用程序的激增,物联网 (IoT) 正在渗透到我们日常生活的方方面面。传统上,由于现代物联网网络的高可扩展性和日益增长的数据隐私问题,人工智能技术需要集中式数据收集和处理,这在现实应用场景中可能不可行。联邦学习 (FL) 已成为一种分布式协作 AI 方法,通过允许在分布式物联网设备上进行 AI 培训而无需数据共享,它可以支持许多智能物联网应用。在本文中,我们对 FL 在 IoT 网络中的新兴应用进行了全面调查,从介绍 FL 和 IoT 的最新进展到讨论它们的集成。特别,我们探索和分析了 FL 在支持广泛的物联网服务方面的潜力,包括物联网数据共享、数据卸载和缓存、攻击检测、本地化、移动人群感知以及物联网隐私和安全。然后,我们对 FL 在各种关键物联网应用中的使用进行了广泛调查,例如智能医疗、智能交通、无人驾驶飞行器 (UAV)、智能城市和智能工业。还强调了从这次对 FL-IoT 服务和应用程序的审查中吸取的重要教训。我们通过强调这个蓬勃发展的领域当前的挑战和未来研究的可能方向来完成这项调查。和物联网隐私和安全。然后,我们对 FL 在各种关键物联网应用中的使用进行了广泛调查,例如智能医疗、智能交通、无人驾驶飞行器 (UAV)、智能城市和智能工业。还强调了从这次对 FL-IoT 服务和应用程序的审查中吸取的重要教训。我们通过强调这个蓬勃发展的领域当前的挑战和未来研究的可能方向来完成这项调查。和物联网隐私和安全。然后,我们对 FL 在各种关键物联网应用中的使用进行了广泛调查,例如智能医疗、智能交通、无人驾驶飞行器 (UAV)、智能城市和智能工业。还强调了从这次对 FL-IoT 服务和应用程序的审查中吸取的重要教训。我们通过强调这个蓬勃发展的领域当前的挑战和未来研究的可能方向来完成这项调查。
更新日期:2021-04-26
中文翻译:
物联网联邦学习:一项综合调查
随着由人工智能 (AI) 提供支持的智能服务和应用程序的激增,物联网 (IoT) 正在渗透到我们日常生活的方方面面。传统上,由于现代物联网网络的高可扩展性和日益增长的数据隐私问题,人工智能技术需要集中式数据收集和处理,这在现实应用场景中可能不可行。联邦学习 (FL) 已成为一种分布式协作 AI 方法,通过允许在分布式物联网设备上进行 AI 培训而无需数据共享,它可以支持许多智能物联网应用。在本文中,我们对 FL 在 IoT 网络中的新兴应用进行了全面调查,从介绍 FL 和 IoT 的最新进展到讨论它们的集成。特别,我们探索和分析了 FL 在支持广泛的物联网服务方面的潜力,包括物联网数据共享、数据卸载和缓存、攻击检测、本地化、移动人群感知以及物联网隐私和安全。然后,我们对 FL 在各种关键物联网应用中的使用进行了广泛调查,例如智能医疗、智能交通、无人驾驶飞行器 (UAV)、智能城市和智能工业。还强调了从这次对 FL-IoT 服务和应用程序的审查中吸取的重要教训。我们通过强调这个蓬勃发展的领域当前的挑战和未来研究的可能方向来完成这项调查。和物联网隐私和安全。然后,我们对 FL 在各种关键物联网应用中的使用进行了广泛调查,例如智能医疗、智能交通、无人驾驶飞行器 (UAV)、智能城市和智能工业。还强调了从这次对 FL-IoT 服务和应用程序的审查中吸取的重要教训。我们通过强调这个蓬勃发展的领域当前的挑战和未来研究的可能方向来完成这项调查。和物联网隐私和安全。然后,我们对 FL 在各种关键物联网应用中的使用进行了广泛调查,例如智能医疗、智能交通、无人驾驶飞行器 (UAV)、智能城市和智能工业。还强调了从这次对 FL-IoT 服务和应用程序的审查中吸取的重要教训。我们通过强调这个蓬勃发展的领域当前的挑战和未来研究的可能方向来完成这项调查。