.png){kind=icon}
返回
Federated Edge Computing for Edge-Assisted Consumer Electronics
.png){kind=icon}
PRE
AI
DOI：10.1109/MCE.2024.3503069.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代消费电子产品（CE）已将计算和数据处理的任务从集中式远程服务器转移到了去中心化的本地边缘设备。联邦边缘计算（FEC）是边缘辅助消费电子领域的一项近期重大变革，它使得在边缘网络上（特别是距离设备本身1-2跳的范围内）对消费电子设备进行预测分析成为可能，这些设备包括可穿戴设备、智能手表、传感器和游戏主机。FEC通过机器学习和深度学习协同训练模型，仅共享更新的模型权重（梯度），而非私有消费者数据，从而增强了边缘节点的隐私保护。本文分析了FEC在边缘辅助消费电子中的应用、其集中式和去中心化版本、支持FEC的关键组件与技术、实现策略以及学习范式类型。此外，本文重点讨论了开放性挑战和未来发展方向。本文强调了FEC在边缘辅助消费电子领域的变革性潜力，为该领域的未来创新铺平了道路。
Keyword:
Servers
Data models
Peer-to-peer computing
Real-time systems
Computational modeling
Analytical models
Consumer electronics
Wearable devices
Training
Protocols
Edge computing
Decentralized applications
期刊
IF:
4.1
论文数:
1.3K
被引数:
1.8K
机构
查看更多机构
引用论文
Decentralized P2P Federated Learning for Privacy-Preserving and Resilient Mobile Robotic Systems用于隐私保护和弹性移动机器人系统的分散式P2P联合学习
.png){kind=icon}
PREAI
分享收藏分享收藏Leveraging zero knowledge proofs for blockchain-based identity sharing: A survey of advancements, challenges and opportunities利用零知识证明进行基于区块链的身份共享: 进步，挑战和机遇的调查
OAAI
OAAI分享收藏A Comprehensive Survey on Artificial Intelligence Empowered Edge Computing on Consumer Electronics人工智能为消费电子产品的边缘计算提供了全面的调查
PREAI
分享收藏
Adaptive optimization federated learning enabled digital twins in industrial IoT工业物联网中支持自适应优化联邦学习的数字孪生
PREAI
分享收藏分享收藏 没有更多内容