34、联合提供QoS和隐私的联邦学习方法

联合提供QoS和隐私的联邦学习方法

1. 问题背景与核心问题

在新兴通信网络中，用户期望同时满足服务质量（QoS）和隐私保护的需求。然而，将QoS、隐私保护与其他安全参数进行组合优化是一个计算难题。在健康分析场景下，存在这样一个问题：公共卫生存储库没有来自协作用户和护理节点的实际原始数据，如何利用地面和无人机基站以及其他通信网络收集的本地健康数据模型，使公共卫生存储库训练的全局AI模型收敛？

具体来说，问题包含两个方面：
1. 每个用户设备（UE）能够根据其本地数据更新共享的全局模型。
2. 每个UE通过地面/空中基站将更新后的本地模型与公共卫生存储库共享，以修订/更新全局模型。护理节点也面临本地模型训练问题，以预测UE的健康模式，并参与与全局模型的二级联邦学习。这个分布式训练过程需要持续进行，直到损失函数最小化和/或全局模型精度达到合理水平。

因此，设计一种具有减少网络开销和隐私保护特性的去中心化技术成为核心研究问题。

2. 异步更新联邦学习框架

2.1 框架概述

联邦学习有多种设置，这里考虑模型拆分的概念，让参与的患者节点（由UE表示）和护理节点（由医院/诊所表示）参与其中。这样做是考虑到移动用户终端计算和能源资源有限，使其能够部分参与整体AI模型训练，同时不向其他贡献者甚至协调者透露原始数据。

该框架采用分层结构：
- 第一层（Tier 1） ：用户节点（UE）构成初始层。UE通过智能手机和其他监测/筛查设备收集用户健康信息，构建本地AI模型。然后将模型参数拆分为浅层和深层段，并与护理诊所或医院共享。
-