無線通信網絡中的聯邦學習原理與實踐

第1章 聯邦學習基礎 001
1.1 人工智能的機遇與挑戰 002
1.2 分布式機器學習 005
1.3 6G與聯邦學習 011
1.4 聯邦學習概述 012
1.4.1 聯邦學習的基礎概述 013
1.4.2 聯邦學習的發展歷程 022
1.4.3 聯邦學習的應用前景 028
1.4.4 聯邦學習的技術挑戰 031
1.5 本書組織架構 033
參考文獻 036
第2章 集中式聯邦學習 039
2.1 聯邦隨機梯度下降算法——FedSGD 040
2.1.1 算法原理 040
2.1.2 代碼實踐 044
2.2 聯邦平均算法——FedAvg 045
2.2.1 算法原理 045
2.2.2 代碼實踐 047
2.3 聯邦近端優化算法——FedProx 051
2.3.1 算法原理 052
2.3.2 代碼實踐 055
2.4 總結 060
參考文獻 060
第3章 去中心化聯邦學習 061
3.1 疊代順序 063
3.2 聯邦架構 065
3.3 網絡拓撲 069
3.4 通信機制 072
3.5 安全和隱私 074
3.6 更新範式 078
3.7 開源框架 081
3.8 應用場景 085
3.9 總結 094
參考文獻 095
第4章 聯邦學習的隱私保護與攻擊防禦 101
4.1 用戶隱私保護 103
4.1.1 參與者、威脅模型和深度隱私 104
4.1.2 防止外部惡意參與者 106
4.1.3 防止惡意服務器 110
4.2 魯棒性攻擊 116
4.2.1 針對模型性能的對抗性攻擊 117
4.2.2 非惡意故障模式 125
4.3 總結 127
參考文獻 127
第5章 聯邦學習優化技術 131
5.1 基於智能反射面輔助的分布式聯邦學習優化技術 132
5.1.1 背景 132
5.1.2 系統模型 133
5.1.3 基於貪心算法的用戶分組策略 138
5.1.4 仿真分析 140
5.2 聯邦學習通信效率優化技術 147
5.2.1 背景 147
5.2.2 系統模型 150
5.2.3 基於Stackelberg博弈的用戶調度算法——SCS 153
5.2.4 基於進化理論的無線帶寬分配算法 157
5.2.5 仿真分析 160
5.3 總結 169
參考文獻 169
第6章 聯邦學習在無線網絡中的應用 171
6.1 基於聯邦學習的多智能反射面系數優化 172
6.1.1 背景 172
6.1.2 系統模型 173
6.1.3 基於聯邦學習的反射系數優化算法 177
6.1.4 仿真分析 181
6.2 基於聯邦學習的內容流行度預測 185
6.2.1 背景 185
6.2.2 系統模型 186
6.2.3 基於FL-LSTM的流行度預測算法 189
6.2.4 仿真分析 194
6.3 總結 198
參考文獻 198
第7章 面向元宇宙的聯邦學習 199
7.1 發展背景 200
7.2 相關概念 201
7.2.1 元宇宙 201
7.2.2 人工智能 204
7.2.3 元宇宙中的人工智能 205
7.3 面向元宇宙的聯邦學習 206
7.3.1 大數據技術的應用 206
7.3.2 通信技術的應用 211
7.3.3 物聯網技術的應用 212
7.3.4 邊緣計算技術的應用 220
7.3.5 區塊鏈技術的應用 221
7.3.6 擴展現實技術的應用 222
7.4 總結 223
參考文獻 224
第8章 從聯邦學習到聯邦分析 225
8.1 聯邦分析背景 226
8.2 聯邦分析相關概念及原理 228
8.2.1 聯邦分析的工作架構 229
8.2.2 聯邦分析與聯邦學習的區別 230
8.3 聯邦分析的應用場景 231
8.4 挑戰和開放的機遇 233
8.4.1 算法的安全性和隱私性 233
8.4.2 對系統故障的魯棒性 234
8.4.3 參與激勵機制 235
8.4.4 分布式和信任 235
8.5 總結 236
參考文獻 237
第9章 無線邊緣聯邦學習實戰 239
9.1 硬件架構 240
9.2 聯邦平均算法實戰——基於FLOWER框架 245
9.2.1 FLOWER框架簡介 245
9.2.2 FedAvg算法實戰 246
9.2.3 操作說明 255
9.3 總結 258
參考文獻 259