Split Federated Learning for 6G Enabled-Networks: Requirements, Challenges and Future Directions
本文系统研究了分割联邦学习在6G网络中的部署需求、适用场景与实现框架，并总结了关键挑战和未来方向。
2023-09-16 cs.NI eess.SP
A Survey on Federated Learning in Intelligent Transportation Systems
本文综述了联邦学习在智能交通系统中的应用，聚焦交通流预测、目标识别和车载边缘计算三个场景，分析了其优势以解决集中式训练的实时性、数据孤岛和隐私问题。
2024-03-14 cs.NI eess.SP
CSIT-Free Model Aggregation for Federated Edge Learning via Reconfigurable Intelligent Surface
The Chinese University of Hong Kong（香港中文大学）；the University of Electronic Science and Technology of China（电子科技大学）
针对FEEL系统中CSIT不可用的空中模型聚合问题，提出利用RIS对齐级联信道并联合优化RIS与接收机，以凸差分算法求解非凸问题，达到接近基于CSIT方案的精度。
2021-07-25 cs.IT cs.LG cs.NI
Concept Drift Detection in Federated Networked Systems
Western University（韦仕敦大学）
随着下一代网络的实现，对智能水平的要求越来越高。联邦学习已被确定为智能和分布式网络的关键使能技术;然而，与任何机器学习应用一样，它容易出现概念漂移。考虑到现代网络提供的关键和紧急服务，概念漂移直接影响模型的性能，并可能导致严重的后果。为了减轻漂移的不利影响，本文提出了一个概念漂移检测系统，利用联邦训练过程的每次迭代提供的联邦学习更新。使用降维和聚类技术，隔离系统的漂移节点的框架，通过实验，使用智能交通系统作为用例。所提出的工作表明，所提出的框架是能够检测漂移节点在各种非iid的情况下，在不同阶段的漂移和不同级别的系统曝光。
2021-09-13 cs.LG cs.NI
Privacy-preserving Intelligent Resource Allocation for Federated Edge Learning in Quantum Internet
联邦边缘学习（FEL）是分布式机器学习的一个很有前途的范例，它可以在协作训练全局模型的同时保护数据隐私。然而，自由电子激光仍然面临着模型的机密性问题，由于窃听的风险，通过传统的加密方案交换密钥。因此，在本文中，我们提出了一个层次结构的量子安全的自由电子激光系统具有理想的安全性的基础上的量子密钥分配（QKD），以方便公钥和模型加密的窃听攻击。具体地说，我们提出了一个随机资源分配模型的高效量子密钥分配加密自由电子激光的密钥和模型。在FEL系统中，远程FEL工作者通过量子安全通道连接到簇头，以协作地训练聚合全局模型。但是，由于每个位置的工作人员数量不可预测，因此支持安全模型传输到服务器的密钥速率需求是不可预测的。所提出的系统需要有效地分配有限的QKD资源（即，波长），使得在存在随机需求的情况下，通过将针对所提出的架构的优化问题公式化为随机规划模型来最小化总成本。为此，我们提出了一种基于联邦强化学习的资源分配方案来解决所提出的模型中没有完整状态信息的问题。所提出的方案使QKD管理者和控制者能够训练全球QKD资源分配策略，同时保持他们的私人经验本地化。数值结果表明，在不确定需求下，所提出的方案能够成功地实现成本最小化目标，同时与现有方案相比，训练效率提高了约50%.
2022-10-09 cs.NI eess.SP
Reconfigurable Intelligent Surface Empowered Over-the-Air Federated Edge Learning
The Chinese University of Hong Kong（香港中文大学）；University of Electronic Science and Technology of China（电子科技大学）
本文针对空中联邦边缘学习面临的掉队者、通信开销和隐私泄露问题，综述并探讨利用可重构智能表面提升其性能的方案与研究方向。
2022-07-20 cs.IT cs.LG cs.NI
Mobile Reconfigurable Intelligent Surfaces for NOMA Networks: Federated Learning Approaches
提出了一种新的可重构智能表面（RIS）增强型室内无线网络框架，其中一个RIS安装在机器人上调用，使移动的RIS和提高移动用户的服务质量。同时，采用非正交多址（NOMA）技术以进一步提高频谱效率，因为RISs能够为NOMA提供人工控制的信道条件，这可以被视为获得NOMA增益的有利操作条件。为了优化所有用户的总速率，调用深度确定性策略梯度（DDPG）算法来优化移动RIS的部署和相移以及功率分配策略。为了提高DDPG智能体训练的效率和有效性，采用了联邦学习（FL）的概念，使多个智能体能够同时探索相似的环境并交流经验.我们还证明了在相同的随机探索策略下，FL武装深度强化学习（DRL）代理理论上可以获得与独立代理相比的奖励增益。我们的仿真结果表明，移动RIS方案可以显着优于固定RIS范式，它提供了约三倍的数据率增益相比，固定RIS范式。此外，NOMA方案能够在和速率方面实现与OMA方案相比42%的增益。最后通过多小区仿真验证了FL增强DDPG算法比独立训练框架具有更优的收敛速度和优化性能。
2021-03-20 cs.NI cs.SY eess.SY
Intelligent Reflective Surface Deployment in 6G: A Comprehensive Survey
智能反射表面（IRSs）被认为是一种很有前途的技术，可以智能地重新配置无线环境，以提高未来无线网络的性能。然而，由于高度动态和移动的无人机（UAV）使无线环境能够实现更高的容量，IRS的部署仍然面临挑战。本文揭示了不同的部署策略的IRS在未来的陆地和非陆地网络。具体来说，在本文中，我们介绍了关键的理论概念的IRS范式，并讨论了设计方面的IRS在6G网络中的部署。我们还探讨了基于优化的IRS部署技术，以提高系统性能的地面和空中IRS。此外，我们调查无模型强化学习（RL）技术从部署方面，以解决复杂和移动IRS辅助无人机无线系统实现更高容量的挑战。最后，我们强调了IRS部署方面的挑战和未来的研究方向，以提高未来6G网络的系统性能。
2022-11-06 cs.NI eess.SP
When Deep Reinforcement Learning Meets Federated Learning: Intelligent Multi-Timescale Resource Management for Multi-access Edge Computing in 5G Ultra Dense Network
Sun Yat-sen University（中山大学）；Auburn University（奥本大学）
超密集边缘计算（UDEC）具有巨大的潜力，特别是在5G时代，但其当前的解决方案仍然面临挑战，例如缺乏：i）多个5G资源的有效利用（例如，计算、通信、存储和服务资源）; ii）低开销卸载决策和资源分配策略;以及iii）隐私和安全保护方案。因此，我们首先提出了一个智能超密集边缘计算（I-UDEC）框架，它将区块链和人工智能（AI）集成到5G超密集边缘计算网络中。首先，我们展示了框架的架构。然后，为了实现实时和低开销的计算卸载决策和资源分配策略，我们设计了一种新的双时标深度强化学习（\textit{2Ts-DRL}）方法，分别由一个快速时标和一个慢速时标的学习过程。主要目标是通过联合优化计算卸载、资源分配和服务缓存放置来最小化总卸载延迟和网络资源使用。我们还利用联邦学习（FL）以分布式方式训练\textit{2Ts-DRL}模型，旨在保护边缘设备的数据隐私。仿真结果证实了I-UDEC框架中的\textit{2Ts-DRL}和FL的有效性，并证明我们提出的算法可以减少任务执行时间高达31.87%。
2020-09-22 cs.AI cs.DC cs.NI
An Intelligent Native Network Slicing Security Architecture Empowered by Federated Learning
Federal University of Viçosa (UFV)（维索萨联邦大学）；Federal University of Espírito Santo (UFES)（圣埃斯皮里图联邦大学）；Salvador University (UNIFACS)（萨尔瓦多大学）；Federal University of Ceará (UFC)（塞阿拉联邦大学）；University of São Paulo (USP)（圣保罗大学）；University of Minho (UMinho)（米尼奥大学）
针对现有网络切片架构缺乏内在智能安全能力的问题，提出安全原生架构，将基于机器学习的智能微服务作为联邦智能体部署，利用非侵入式遥测检测攻击，取得了优异的准确率，为网络切片安全提供了新方向。
2024-10-04 cs.AI cs.CR cs.ET
Deep Learning-based Intelligent Dual Connectivity for Mobility Management in Dense Network
超密集网络部署已被提出作为实现第五代（5G）移动通信系统中的容量目标的关键技术。然而，较小小区的部署不可避免地导致更频繁的切换，从而使移动性管理更具挑战性，并降低了密集网络部署所提供的容量增益。为了在这样的网络环境中充分收获移动用户的收益，我们提出了一种智能双连接机制，通过基于深度学习的移动性预测进行移动性管理。我们首先使用深度学习算法之一的LSTM（长短期记忆）算法，从每个用户设备（UE）的历史轨迹中学习其移动模式，并预测其未来的移动趋势。基于相应的预测结果，网络将判断UE是否需要切换。对于切换情况，将为相关UE建立双连接。因此，UE可以在切换过程中从两个基站获得无线电信号。仿真结果表明，所提出的智能双连接机制在保证网络能量效率的同时，能够显著提高移动用户在切换过程中的服务质量。
2018-05-30 cs.NI
Boosting 5G mm-Wave IAB Reliability with Reconfigurable Intelligent Surfaces
本文研究利用可重构智能表面（RIS）提升5G毫米波IAB网络的阻塞韧性，通过MILP优化布局，证明RIS能显著提高抗阻塞能力并降低规划成本。
2022-01-20 cs.NI
Reconfigurable Intelligent Surfaces for the Connectivity of Autonomous Vehicles
建议使用实时软件控制的可重构智能表面（RIS）单元来提高车辆到一切（V2X）通信的可靠性。通过考虑RIS单元的尺寸和操作模式，制定了RIS单元的最优布置问题。问题的解决方案，它示出的RIS的放置取决于发射机和接收机的位置。拟议的RIS支持的高速公路部署可以对抗使用更高频段（包括毫米波和太赫兹频段）所经历的高路径损耗，这些频段预计将用于下一代无线网络，从而使现有基站部署计划的使用保持可操作性，同时为自动驾驶汽车提供可靠和节能的连接。
2020-07-20 cs.NI
Performance Analysis of Decentralized Federated Learning Deployments
Dalhousie University（达尔豪斯大学）；University of Victoria（维多利亚大学）；Laval University（拉瓦尔大学）
本文研究去中心化联邦学习部署的性能，推导不同部署策略的收敛速率，并系统评估网络拓扑、非IID数据程度、模型与数据集对收敛和泛化的影响。
2025-03-14 cs.DC cs.LG cs.NI
Intelligent Base Station Deployment in Urban Wireless Networks: A Geographic Data-Informed Digital Twin Approach
Southeast University（东南大学）；Purple Mountain Laboratories（紫金山实验室）
该研究提出地理数据驱动的数字孪生结合深度强化学习的智能基站部署框架，仅用公开地理数据即可实现优化，性能接近理想基准且开销大幅降低。
2026-09-16 cs.AI cs.NI
Analysis of Intelligent Vehicular Relaying in Urban 5G+ Millimeter-Wave Cellular Deployments
针对城市5G+毫米波蜂窝场景下移动中继性能研究不足的问题，构建数学框架评估车载毫米波中继性能，分析连接策略增益并明确适用场景，为相关标准化与部署提供支撑。
2019-08-16 cs.NI eess.SP
Multi-Tier Hierarchical Federated Learning-assisted NTN for Intelligent IoT Services
Carleton University（卡尔顿大学）；Ohio University（俄亥俄大学）
本文提出将 MT-HFL 框架与 VHetNet 非地面网络融合，使物联网设备在多层级架构中协同学习与决策，以应对非 IID 数据、通信开销和隐私问题。
2023-12-11 cs.DC cs.LG cs.NI
Reconfigurable Intelligent Surface Enabled Federated Learning: A Unified Communication-Learning Design Approach
The Chinese University of Hong Kong（香港中文大学）；the University of Electronic Science and Technology of China（电子科技大学）
针对空中联邦学习的掉队者问题，提出利用可重构智能表面技术，通过构建学习分析框架并联合优化设备选择、收发机设计与RIS配置，显著提升学习精度。
2021-06-01 cs.IT cs.LG cs.NI
Dynamic Mask Enhanced Intelligent Multi-UAV Deployment for Urban Vehicular Networks
University of Science and Technology of China（中国科学技术大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）
本文提出Q-SDAM算法，通过动态动作掩码机制提升多无人机部署效率，有效增强车联网连接并降低能耗。
2026-03-19 cs.AI cs.NI
Optimizing Age of Information in Vehicular Edge Computing with Federated Graph Neural Network Multi-Agent Reinforcement Learning
School of Internet of Things Engineering, Jiangnan University（江南大学物联网工程学院）；Tsinghua University（清华大学）；Xidian University（西安电子科技大学）；Shanghai Jiao Tong University（上海交通大学）；University of Kent（肯特大学）；Hong Kong University of Science and Technology（香港科技大学）
针对VEC中通信资源受限的任务卸载与AoI优化问题，提出FGNN-MADRL框架，以图结构建模道路并结合联邦学习与新型MADRL算法，在保护隐私的同时降低决策复杂度并提升性能。
2024-07-01 cs.DC cs.LG cs.MA
ML-based handover prediction over a real O-RAN deployment using RAN Intelligent controller
School of Computer Science and Statistics, Trinity College Dublin（都柏林圣三一大学计算机科学与统计学院）；Federal University of Espirito Santo（圣埃斯皮里图联邦大学）；Rivada Networks（里瓦达网络公司）
本文在真实O-RAN部署中提出基于LSTM的切换事件预测方法，利用标准RAN测量数据，并证明其可降低超过80%的网络运营成本。
2024-04-14 cs.LG cs.NI
Towards Fully Intelligent Transportation through Infrastructure-Vehicle Cooperative Autonomous Driving: Challenges and Opportunities
PerceptIn（感知创新公司）；South China University of Technology（华南理工大学）；Northwestern University（西北大学）
基础设施-车辆协同自动驾驶方法依赖于智能道路和智能车辆之间的合作。与传统的车载自动驾驶方法相比，这种方法不仅更安全，而且更经济。在本文中，我们介绍了我们在协作自动驾驶领域的实际部署经验，并深入探讨了新挑战和机遇的细节。具体而言，根据我们在商业部署方面的进展，我们遵循了合作自动驾驶方法的三个阶段发展路线图：基础设施增强自动驾驶（IAAD），基础设施引导自动驾驶（IGAD）和基础设施规划自动驾驶（iPad）。
2021-03-03 cs.AR cs.NI cs.RO
FLARE: Detection and Mitigation of Concept Drift for Federated Learning based IoT Deployments
Toshiba Europe Ltd.（东芝欧洲有限公司）；King’s College London（伦敦国王学院）；Waymap Limited（Waymap有限公司）
针对物联网联邦学习中的概念漂移问题，提出轻量级双调度器框架FLARE，通过条件传输训练数据并基于训练行为和推理统计部署模型，实现超5倍数据交换减少和至少16倍检测延迟降低。
2023-05-15 cs.AI cs.CR cs.LG
End-to-end Wireless Path Deployment with Intelligent Surfaces Using Interpretable Neural Networks
智能表面对无线传播现象施加确定性控制，从而实现性能、安全性和无线电力传输方面的新功能。这种表面以矩形瓷砖的形式出现，这些瓷砖层叠以覆盖大表面，如墙壁，天花板或建筑立面。每个瓦片都是可寻址的，并且可以从控制器接收软件命令，通过定制其反射方向、焦点、偏振和相位来操纵撞击在其上的电磁波。出现了关于朝向服务端到端通信目标的一组瓦片的编排的新问题。为此，我们提出了一种新的智能表面网络算法的基础上可解释的神经网络。图块被映射到神经网络节点，并且任何图块视线连接被表示为神经网络链路。瓦片波操纵功能经由具有虚拟可旋转瓦片表面范数的几何反射来捕获，因此能够将撞击在瓦片上的功率可调谐地分布在对应的神经网络链路上，其中对应的功率部分充当链路权重。前馈/反向传播过程优化这些权重，以将理想的传播结果（归一化的网络功率输出）与无线用户发射（归一化的网络功率输入）相匹配。解释过程将这些权重转换为对应的瓦片波操纵功能。
2020-10-16 cs.ET cs.NI eess.SP
How to Deploy Intelligent Reflecting Surfaces in Wireless Network: BS-side, User-side, or Both Sides?
无线信道的随机性和不可控性从根本上制约了无线通信系统的性能。通过利用数字控制元表面的最新进展，智能反射表面（IRS）已经成为一个有前途的解决方案，以提高无线网络的性能，通过巧妙地重新配置无线电传播环境。尽管对IRS辅助通信进行了大量研究，但本文讨论了如何在无线网络中部署IRS以实现其最佳性能的重要问题。本文首先从通信性能指标的角度比较了在基站侧或分布式用户侧部署IRS的两种传统策略，然后结合两者的优势互补，提出了一种新的混合IRS部署策略。此外，在优化IRS部署的主要挑战，以及他们有前途的解决方案进行了讨论。最后，本文以案例分析的方式，比较不同IRS部署策略的效能，并为实际设计提供参考。
2022-04-05 cs.IT cs.NI math.IT
Federated Continual Learning for Edge-AI: A Comprehensive Survey
University of Exeter（埃克塞特大学）
本文首次系统综述了面向边缘人工智能的联邦持续学习，按类别、域和任务持续学习三类方法梳理代表性工作，并展望算法-硬件协同设计及与基础模型结合等未来方向。
2024-11-20 cs.AI cs.DC cs.LG
Next Generation Intelligent Low-Altitude Economy Deployments: The O-RAN Perspective
Mississippi State University（密西西比州立大学）
本文提出基于O-RAN的低空经济框架，利用AI优化实现闭环任务协调，通过语义感知rApp和强化学习xApp提升轨迹规划性能。
2026-01-01 cs.AI cs.CV cs.MA
