Overview of Distributed Machine Learning Techniques for 6G Networks

摘要

​ 本文主要目标是调查6G网络中关于分布式训练方法的一些研究 。即将到来的6G技术旨在服务许多异构的无线网络设备。人们希望部署许多机器学习技术到智能6G 无线网络上来解决复杂的网络问题，为此，许多6G节点和设备希望通过传感器生成海量数据并对数据进行分析。随着分布式数据越来越多、设备硬件发展越来越快，分布式学习技术作用越来越重要；尽管集中式的学习方法也有优点，但在资源受限的无线网络环境中实现分布式ML算法具有挑战性。因此，根据无线环境特点和学习过程的资源要求选择合适的ML算法很重要。本文中，作者调查了最近提出的分布式ML技术，调研了它们的特点，并且总结了一些优缺点和可以评估主要场景。

简介

​ 随着数据信息愈发增长，大数据已不再适合集中处理。6G标准将提供广泛的连接，降低的时延，并且促进各种各样的应用。这样的场景下，已无必要发送大量数据给中央系统学习模型；而是需要设备在网络边缘收集处理数据。这样的好处是：传输负载降低，并通过设计如何利用资源以减少开销。5G预计在过去十年已达极限。6G的关键技术目标是：

· 超高数据传输速率（1Tbps）、超低通信时延

· 对资源约束设备能量效率高

· 全球覆盖

· 可靠连接

无线通信技术

​