联邦学习+边缘计算领域是研究热点吗？ 第1页

是的，分布式机器学习+边缘计算已经热过一段时间了，联邦学习虽然和分布式机器学习的侧重点不一样，但都是分布式的，所以和边缘计算的结合也是研究热点。

不只是边缘计算，联邦学习+边缘计算+密码学+5G+区块链会越来越融合，未来的安全产品中这些都会变为基础设施来提供。都是比较领先且在工业界适用的技术，所以，放心大胆的进入这个研究领域吧。

研究方向的话，建议读一下这篇文章《Advances and Open Problems in Federated Learning》，虽然是2019年的文章，但还是非常有启发。

想学习相关知识，可以来我专栏。

先放上我整理好的联邦学习文献库: lokinko/Federated-Learning

目前做的比较多的:

Reliable Federated Learning for Mobile Networks

Personalized Federated Learning for Intelligent IoT Applications: A Cloud-Edge Based Framework

Scheduling Policies for Federated Learning in Wireless Networks

In-Edge AI: Intelligentizing Mobile Edge Computing, Caching and Communication by Federated Learning

一方面联邦学习本身的通信消耗大，而边缘设备的通信能力有限，所以如何设计网络结构和通信方式（例如分层通信、点对点的通信等）是一大研究方向。

并且由于边缘端更靠近用户产生的数据，所以不同地区的边缘端设备采集的数据具有Non-IID特性，可以考虑做Personalization的研究。

联邦学习对隐私保护也有一定的要求，常见的差分隐私技术的研究与应用也受到了很多关注。

而且边缘端易被攻击，所以各种对抗攻击的研究也有很多。

另一方面，边缘设备的计算、存储和通信能力有限，所以对资源调度、算力分配以及各种优化策略也是边缘智能的一个方向。