面向智能通信和计算的移动边缘分布式学习：现状、挑战与方法*

【摘  要】分布式机器学习被视为发展下一代智能通信网的基石。然而，在无线网络上部署分布式学习面临若干挑战，包括不确定的无线环境、有限的通信资源等。如何在无线边缘网络上高效地部署分布式学习成为研究热点。将调研论述无线人工智能在分布式架构中的国内外研究现状及挑战，重点介绍几种新兴的分布式学习范式，包括联邦学习、分布式推理和多智能体强化学习。最后从全局的角度，描述了移动分布式学习减少通信代价的研究现状和未来发展。

【关键词】分布式机器学习；无线边缘计算；联邦学习；分布式推理；多智能体强化学习；通信效率

0   引言

（1）移动边缘分布式机器学习的发展动机

下一代无线通信网络中，边缘设备收集海量的异构数据，使得基于大数据的人工智能（AI, Artificial Intelligence）推理和决策成为可能。然而，由于资源限制、延迟限制和隐私问题，边缘设备无法将其收集的数据全部卸载到云服务器，传统的依托于数据中心进行集中数据分析与处理的模式逐渐无法满足业务需求。与此同时，移动设备的发展使得网络的边缘节点具有较强的计算能力与储存能力，可以胜任针对本地的小规模数据量的分析与计算。基于此提出的分布式学习技术，使边缘设备能够在无需原始数据交换的情况下协同训练机器学习模型，从而减少通信开销和延迟，并改善数据隐私。

传统的机器学习一般是基于中央控制器集中进行数据处理，所有的原始数据由边缘节点上传到中央控制器，由控制器进行模型训练，再把模型参数下发给终端节点。这样的模型有许多弊端，比如通信时延、用户数据隐私泄露、计算速度慢等问题。近几年，随着智能服务需要处理的数据量井喷式