[논문 리뷰] Towards Ubiquitous AI in 6G with Federated Learning

Yong Xiao, Guangming Shi외 1명|arXiv (Cornell University)|2020. 04. 26.

Privacy-Preserving Technologies in Data참고 문헌 13인용 수 35

한 줄 요약

논문은 연합학습이 6G에서 어떻게 보편적 AI를 가능하게 하는지 조사하고, FL 기반 아키텍처를 제안하며, 미래 네트워크에서 대규모 프라이버시 보존 분산 학습의 도전과 연구 방향을 개략적으로 제시합니다.

ABSTRACT

With 5G cellular systems being actively deployed worldwide, the research community has started to explore novel technological advances for the subsequent generation, i.e., 6G. It is commonly believed that 6G will be built on a new vision of ubiquitous AI, an hyper-flexible architecture that brings human-like intelligence into every aspect of networking systems. Despite its great promise, there are several novel challenges expected to arise in ubiquitous AI-based 6G. Although numerous attempts have been made to apply AI to wireless networks, these attempts have not yet seen any large-scale implementation in practical systems. One of the key challenges is the difficulty to implement distributed AI across a massive number of heterogeneous devices. Federated learning (FL) is an emerging distributed AI solution that enables data-driven AI solutions in heterogeneous and potentially massive-scale networks. Although it still in an early stage of development, FL-inspired architecture has been recognized as one of the most promising solutions to fulfill ubiquitous AI in 6G. In this article, we identify the requirements that will drive convergence between 6G and AI. We propose an FL-based network architecture and discuss its potential for addressing some of the novel challenges expected in 6G. Future trends and key research problems for FL-enabled 6G are also discussed.

연구 동기 및 목표

• AI가 가능하게 하는 6G 융합을 주도하는 핵심 요구사항 식별.
• 대규모 이질적 기기에 걸친 분산 학습을 가능하게 하는 FL 기반 네트워크 아키텍처 제안.
• 데이터 처리, 프라이버시, 확장성 문제를 다루기 위한 FL의 잠재적 응용 분야 논의.
• FL-활용 6G의 향후 트렌드, 남은 문제 및 연구 방향 강조.

제안 방법

• 보편적 AI를 지향하는 6G의 고수준 비전과 연합학습의 역할을 설명한다.
• 기기가 fog servers에 등록하여 로컬 모델 학습 및 글로벌 집계의 라운드에 참여하는 FL 기반 아키텍처 제안.
• 6G 맥락에서 데이터 로컬리티, 이질성, 프라이버시, 확장성을 다루는 FL의 작용 방식 설명.
• 6G 프레임워크 내에서 AI-as-a-Service, HITL 서비스 및 보안 고려사항과의 통합에 대해 논의.

실험 결과

연구 질문

• RQ1 대규모 이질적 기기에 걸친 6G에서 연합학습을 활용해 보편적 AI를 실현할 수 있는 방법은?
• RQ2 데이터 로컬리티, 프라이버시, 비 IID 데이터, 확장성을 6G 네트워크에서 다룰 수 있는 FL 기반의 아키텍처 설계는 무엇인가?
• RQ3 실제 환경에서 FL-enabled 6G를 배치하는 데 있어 주요 도전과 연구 격차는 무엇인가?

주요 결과

• FL은 데이터가 로컬로 유지되면서 분산된 데이터에서 데이터 기반 AI를 가능하게 하여 원시 데이터 전송을 감소시킨다.
• FL 기반 아키텍처는 fog servers가 기기 업데이트 및 집계를 조정하여 대규모 참여를 지원할 수 있다.
• FL은 비 IID 데이터 처리 및 secure aggregation, differential privacy와 같은 기법을 통해 프라이버시를 제공할 수 있다.
• 제안된 FL 프레임워크 내에서 대규모 융합과 다른 AI 기법들(깊은 학습, RL, 전이 학습)과의 통합이 가능하다.
• 논문은 이질적 연결성, 자원 최적화, 성능 보장을 통한 설명가능성, 인과 추론, 인간 중심 고려와 같은 실용적 도전과제를 식별하고 열린 연구 주제를 제시한다.