革命的技术,如物联网、云计算、和5 g,促进了增加采用各种移动设备,如智能手机、传感器、和Internet-of-Vehicles等等。此外,异构移动源生成相当丰富和规模不断增加的数据与信息,通常称为移动大数据,使其能够获得业务洞察力和更好的决策从大量的数据信息。

在实践中,收集到的大量的移动数据难以有效地分析了移动设备由于其有限的资源。通常,一个集中的服务器可以通过收集大量的由异构移动设备生成的数据;将进一步处理和移动数据和分析在一个集中的方式。然而,这种集中式解决方案受到限制等大型网络通信成本,数据隐私泄漏,等等。联合学习是一个新兴的机器学习范式,使物联网应用程序的方式保存数据异构性和隐私,通过训练模型没有从当地移动设备数据传输到中央服务器。在每一轮的联合学习,选择多种设备来训练模型局部产生全局模型的协调下一个中央服务器上。每个移动设备的数据生成并存储在本地,而不被转移到中央服务器或其他设备。相反,只有从移动设备模型更新发送到中央服务器的全局模型公式。

最近,联邦学习物联网已经吸引了来自学术界和工业界的极大的兴趣。然而,这个话题很新,没有调查直到现在在其不同的概要文件。缺乏从理论和实证两个方面对文学的观点。在这个特殊的问题,我们正在寻找前沿技术和新颖的研究和评论,可以实现和评估的有效性和优势联合推进物联网的学习。

潜在的主题包括但不限于以下:

• 保护隐私机制联合学习推动物联网的应用程序
• 聚合算法联合学习推动物联网的应用程序
• 安全机制联合学习推动物联网的应用程序
• 评估联合学习推动物联网应用的框架
• 资源管理联合学习推动物联网的应用程序
• 联合学习推动物联网应用程序的通信机制
• 数据来源和审计联合学习推动物联网的应用程序
• 联合学习激励机制推动物联网的应用程序