[论文解读] A Survey on Federated Learning and its Applications for Accelerating Industrial Internet of Things

Jiehan Zhou, Shouhua Zhang+8 more|arXiv (Cornell University)|Apr 21, 2021

Privacy-Preserving Technologies in Data参考文献 102被引用 28

一句话总结

本综述回顾用于 Industrial IoT 的 federated learning，概述一个通用框架、前沿主题、经济影响，以及面向未来的 FL-transformed 制造范式。

ABSTRACT

Federated learning (FL) brings collaborative intelligence into industries without centralized training data to accelerate the process of Industry 4.0 on the edge computing level. FL solves the dilemma in which enterprises wish to make the use of data intelligence with security concerns. To accelerate industrial Internet of things with the further leverage of FL, existing achievements on FL are developed from three aspects: 1) define terminologies and elaborate a general framework of FL for accommodating various scenarios; 2) discuss the state-of-the-art of FL on fundamental researches including data partitioning, privacy preservation, model optimization, local model transportation, personalization, motivation mechanism, platform & tools, and benchmark; 3) discuss the impacts of FL from the economic perspective. To attract more attention from industrial academia and practice, a FL-transformed manufacturing paradigm is presented, and future research directions of FL are given and possible immediate applications in Industry 4.0 domain are also proposed.

研究动机与目标

• 定义术语并提出适用于多样化 IIoT 场景的通用 FL 框架。
• 调研最新技术主题，包括数据分区、隐私保护、模型优化、本地传输、个性化、动机机制、平台/工具和基准。
• 讨论 FL 在工业环境中的经济影响，并提出一个 FL-transformed 制造范式。
• 提出未来研究方向以及 FL 在 Industry 4.0 的即时应用。

提出的方法

• 提供对 FL 概念的结构化概览以及用于 IIoT 应用的通用框架。
• 总结核心研究领域与技术：数据分区、隐私、模型优化、本地传输、个性化、动机、平台/工具和基准。
• 引入一个面向 Industry 4.0 工作流程的 FL-transformed 制造范式。
• 分析经济影响并概述 Industry 4.0 的实际未来方向与应用。
• 给出一组具体的未来研究方向以及在工业环境中的潜在即时应用。

实验结果

研究问题

• RQ1 什么是适用于各种 IIoT 场景的一般 federated learning 框架？
• RQ2 IIoT FL 在数据分区、隐私保护、模型优化、本地模型传输、个性化、动机机制、平台/工具和基准方面的前沿技术有哪些？
• RQ3 将 FL 应用于工业场景的经济影响是什么？
• RQ4 FL 转型的制造范式是什么样的？哪些即时的 Industry 4.0 应用是可行的？

主要发现

• federated learning 使在工业环境中无需集中训练数据即可实现协同智能。
• FL 能在边缘利用分布式数据加速 Industry 4.0，同时兼顾安全性问题。
• 为 IIoT 定义了一个通用的 FL 框架，并附带对基础研究主题以及实际平台和基准的综述。
• 经济考虑了 FL 在工业中的经济影响，以及一个提出的 FL 转型制造范式和未来研究方向。
• 论文强调了在 Industry 4.0 中可能的即时应用，并概述了在 FL 支撑的工业生态系统中进一步研究的方向。