一、边缘智能的主要研究方向

1. 模型优化
2. 任务资源分配
3. 边缘联邦智能
4. 云边协同

1.模型优化

1.1、结构性优化
模型剪枝、模型量化、低秩因子分解

1.2、非结构性优化
知识蒸馏、紧凑网络设计

1.3、协同性优化
模型分割

2.任务资源分配

2.1、计算卸载
基于能耗的MEC计算卸载、基于时延的MEC计算卸载

2.2、缓存资源分配
MEC缓存管理、MEC排队模型、MEC负载共享和平衡

2.3、资源调度
MEC任务分配/卸载、MEC资源联合优化

2.4、移动性管理
MEC计算分流和接入点选择、MEC任务部署、MEC功率控制

３.边缘联邦智能

3.1、横向联邦学习
（不同样本空间，相同特征空间）

3.2、纵向联邦学习
（相同样本空间，不同特征空间）

3.3、联邦迁移学习
（不同样本空间，不同特征空间）

3.4、联邦学习的研究进展
3.4.1、通信效率
（1）算法优化：开发适合处理Non-IID和非平衡分布数据的模型训练算法，减少用于传输的模型数据大小，加快模型训练的收敛速度。

（2）压缩：能够有效降低通信数据大小，但对数据的压缩会导致部分信息的丢失，需要在模型精度和通信效率之间寻找最佳平衡。

（3）分散训练：将联邦学习框架分层次，降低中心服务器的通信负担。

3.4.2、隐私安全
（1）典型隐私保护技术：差分隐私、安全多方计算、同态加密
（2）全局隐私
（3）本地隐私
（4）模型更新检测

3.4.3、信任与激励机制
联邦学习与区块链结合

4.云边端协同

4.1、边云协同
4.1.1、训练-预测边云协同
4.1.2、云导向的边云协同
4.1.3、边缘导向的边云协同
4.1.4、关键技术及相关研究：
（1）迁移学习
（2）神经网络拆分
（3）神经网络压缩

4.2、边边协同
4.2.1、边边预测协同
4.2.2、边边分布式训练协同
4.2.3、边边联邦训练协同
4.2.4、关键技术及相关研究：
（1）模型拆分
（2）分布式训练
（3）联邦学习

4.3、边端协同

二、衡量边缘智能技术主要依赖的特性

1.实时性（时延低）

2.精确性（准确率高）

3.能耗性（能量消耗低）

4.安全性（安全和隐私保护）

存在的矛盾和挑战：

1.精确性与实时性的矛盾
2.精确性与能量消耗之间的矛盾
3.服务质量与隐私保护之间的矛盾

标签：10,协同,MEC,4.2,31,隐私,2021,联邦,模型
来源： https://blog.csdn.net/qq_43359515/article/details/121069076