بهینه سازی یادگیری فدرال در سیستم های رایانش لبه موبایل: مروری جامع بر چالش ها، راه حل ها و کاربردهای نوظهور

با رشد فزاینده داده های تولید شده در دستگاه های موبایل و لزوم پردازش آن ها در نزدیکی منبع برای کاهش تاخیر و حفظ حریم خصوصی، ادغام یادگیری فدرال (FL) و رایانش لبه موبایل (MEC) به عنوان یک پارادایم نویدبخش در شبکه های بی سیم آینده مطرح شده است. با این حال، چالش های متعددی نظیر محدودیت های منابع، ناکارآمدی های ارتباطی، ناهمگونی داده ها و دستگاه ها، و مسائل مربوط به کلاینت های نامطمئن، کارایی و اثربخشی این هم افزایی را تحت تاثیر قرار می دهند. این مقاله مروری، با تحلیل جامع ادبیات موجود در این حوزه، به بررسی عمیق چالش های اصلی و راه حل های بهینه سازی پیشنهادی برای استقرار موفق FL در محیط های MEC می پردازد. ما روش هایی نظیر فشرده سازی مدل، انتخاب هوشمندانه کاربر و نمونه، و پروتکل های تجمیع دو سطحی را ارزیابی می کنیم. علاوه بر این، به کاربردهای نوظهور FL در MEC، از جمله در واقعیت افزوده، پرداخته و دیدگاه های انتقادی و راهکارهای آتی را برای غلبه بر محدودیت های فعلی ارائه می دهیم. هدف این مرور، ارائه درکی جامع از وضعیت کنونی تحقیقات و ترسیم مسیر برای تحقیقات آینده در این زمینه پویا است.

کلیدواژه ها:

یادگیری فدرال ، رایانش لبه موبایل ، بهینه سازی ، کارایی ارتباطی ، ناهمگونی داده ، امنیت ، حریم خصوصی ، کاربردهای نوظهور