Federated Learning Over Wireless Edge Networks

این کتاب ابتدا آموزشی در مورد یادگیری فدرال (FL) و نقش آن در فعال کردن هوش لبه بر روی شبکه های لبه بی سیم ارائه می دهد. این به خوانندگان مقدمه ای مختصر در مورد چالش ها و رویکردهای پیشرفته در اجرای FL در شبکه لبه بی سیم ارائه می دهد. سپس، با در نظر گرفتن ناهمگونی منابع در لبه شبکه، نویسندگان راه‌حل‌های چندوجهی را در تقاطع اقتصاد شبکه، نظریه بازی، و یادگیری ماشین به منظور بهبود کارایی تخصیص منابع برای FL بر روی شبکه‌های لبه بی‌سیم ارائه می‌کنند. درک روشنی از چنین مسائلی و مطالعات نظری ارائه شده به ترتیب به راهنمایی پزشکان و محققین در پیاده سازی سیستم های FL با منابع کارآمد و حل مسائل باز در FL کمک می کند.

</ p>

This book first presents a tutorial on Federated Learning (FL) and its role in enabling Edge Intelligence over wireless edge networks. This provides readers with a concise introduction to the challenges and state-of-the-art approaches towards implementing FL over the wireless edge network. Then, in consideration of resource heterogeneity at the network edge, the authors provide multifaceted solutions at the intersection of network economics, game theory, and machine learning towards improving the efficiency of resource allocation for FL over the wireless edge networks. A clear understanding of such issues and the presented theoretical studies will serve to guide practitioners and researchers in implementing resource-efficient FL systems and solving the open issues in FL respectively.