AI写论文更近一步？联邦学习怎样与通信领域结合( 四 )_

图1/5

模型生成文本摘要的流程。首先使用两种模型进行文本抽取，然后再生成一段完整的文本。

推荐：本文是 Reddit 和推特讨论很火热的一篇论文，使用了 Transformer 模型，可生成论文的摘要。虽然文本摘要任务并不新鲜，但是本文提出的模型是目前而言效果较好的，使得文本摘要算法距离实际应用更近一步了。

论文 4：Federated Learning for Wireless Communications: Motivation, Opportunities and Challenges

作者：Solmaz Niknam、Harpreet S. Dhillon、Jeffery H. Reed

论文地址：https://arxiv.org/pdf/1908.06847v3.pdf

摘要：无线通信社区越来越有兴趣通过数据驱动且基于机器学习（ML）的解决方案来完善传统的、基于模型的设计方法。虽然传统的 ML 方法需要假设数据存在并要在中心实体（central entity）中处理 head，但是这些方法通常不适用于无线通信应用，因为私有数据表现出不可访问性，将原始数据传输至中心 ML 处理器所需的通信开销也非常大。因此，能够将数据保持在生成位置的分散化 ML 方法更具吸引力。得益于隐私保护特性，联邦学习与诸多无线应用息息相关，特别适用于 5G 网络。在本文中，研究者分别介绍了联邦学习的总体思路，探讨了 5G 网络中几种可能的应用，描述了未来无线通信背景下联邦学习研究所面临的的关键技术挑战和有待解决的问题。