Training Machine Learning models at the Edge: A Survey

近年来，边缘计算（EC）在集成人工智能（AI）能力方面取得了显著进展，承诺通过在边缘部署和推理机器学习（ML）模型来提高效率。尽管重点主要集中在边缘部署和推理ML模型上，但训练方面仍未得到充分探索。本文调查了边缘学习（EL），特别是边缘上的ML模型训练优化。其目的是全面探索不同的EL方法和方法论，综合现有知识，识别挑战并突出未来趋势。利用Scopus的高级搜索，确定了与EL相关的相关文献，揭示了分布式学习方法，特别是联合学习（FL）的研究重点。本文进一步提供了一个指南，用于比较用于边缘学习的优化ML的技术，以及不同的框架，库和用于EL的仿真工具的探索。通过这样做，本文为边缘计算和机器学习交叉领域的当前现状和未来方向做出了综合性的贡献，为优化方法和技术的比较提供了信息，这些方法和技术是为边缘学习而设计的。

探索边缘学习的优化方法和技术，以提高机器学习模型的训练效率。

综述了边缘学习的不同方法和框架，重点关注分布式学习方法，特别是联邦学习。提供了比较优化方法和技术的指南，以及探索可用于边缘学习的不同框架、库和仿真工具。

值得关注的是，研究重点在于分布式学习方法，特别是联邦学习。使用Scopus进行高级搜索，筛选出了相关文献。该综述为边缘计算和机器学习交叉领域的现状和未来方向提供了全面的理解，为比较优化方法和技术提供了指南。

最近的相关研究包括：\n1. 'A Survey of Edge Learning: Challenges and Opportunities'\n2. 'Edge Intelligence: Paving the Last Mile of Artificial Intelligence with Edge Computing'\n3. 'Federated Learning: Challenges, Methods, and Future Directions'