Abstract：
由于联邦学习(federated learning, FL)具有在参与方不共享数据的情况下即可进行模型训练，在保护数据隐私的同时，实现有效的资源管理等特点，FL已成为移动通信资源管理领域的研究热点之一.因此，对FL在移动通信资源管理中的方法、进展与展望进行综述与分析.首先，在引入FL基本概念的基础上，重点对FL在分布式无线网络、移动边缘网络、车联网、雾无线接入网络和超密集网络场景中资源管理方法的性能进行讨论，并分析其优缺点；然后，结合FL在移动通信资源管理领域的研究进展，讨论FL面临的挑战并提出可行的解决方案；最后，展望FL在移动通信资源管理领域潜在的发展方向.
Keyword：
Reprint Author's Address：
Email：
Source ：
北京工业大学学报
Year： 2022
Issue： 07
Volume： 48
Page： 783-793
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 10
Affiliated Colleges：
