一、项目描述

未来 6G 通信网络将不仅用于通信服务，还将逐步演变为支撑工业互联网、触觉互联网、智慧城市、智能驾驶等行业应用的新型基础设施。因此，未来6G网络需要同时具备超强的感知、通信、计算能力和智能化程度，实现从传统的“信息传输管道”到信息 “感知-传输-处理-控制一体化” 功能集成平台的全面升级，提供分布式网络智能服务。

图1. 基于语义感知的量化压缩联邦学习系统框图

二、主要痛点

如何高效地获取海量训练数据，快速准确地完成智能模型的训练及优化，将是实现分布式网络智能的关键。但目前大部分训练数据来自网络边缘侧，传统单机计算和云计算因算力或时延因素很难支持智能模型的快速训练。此外，传统通信网络设计受传统信息论的局限，仅仅关注语法信息的传输。但对于网络智能应用而言，其成败的关键在于数据语义信息正确接收与否。在以联邦学习为代表的分布式网络智能架构中，忽视语义的传统网络设计将会导致冗余数据，甚至无效数据的传输。

三、解决方案

本项目拟结合边缘计算技术，充分利用边缘网络中分散的感知数据和计算存储资源，提出个性化联邦学习解决方案以实现智能模型的快速分布式训练。同时融合无线通信、移动计算、机器学习等进行联合设计，基于个性化联邦学习架构，建立语义感知的新通信技术。

图2. 基于语义感知的量化压缩联邦学习性能展示

图3. 基于语义感知的联邦学习用户调度系统框图

四、主要贡献/价值

5G和人工智能是智能制造2025规划的关键领域，也是当前“新基建”推动的重大基础设施；基于联邦学习的网络智能融合B5G和人工智能，符合国家重点战略发展需要。另一方面，国际电信联盟和中国未来移动通信论坛都在其6G白皮书里指出：通信计算一体化和网络内生智能化应当是6G支持的基本功能；因此本项目的顺利开展，对B5G/6G的标准化，以及加强我国在相关领域的核心知识产权，将产生积极的影响。

五、下一步计划

本项目下一步将按计划对以下两个主要内容进行研究：

1）研究个性化联邦学习模型的理论研究及高效训练方法，提出个性化联邦学习与分布式通信计算资源分配的最优联合设计方法;

2)研究个性化联邦学习架构下基于语义感知的多模态信息融合传输理论及算法, 针对多模态边缘网络感知数据，通过数据语义剖析，在个性化联邦学习架构下，设计带宽受限时的高效数据汇聚方法。  

六、合作伙伴

中国信息通信研究院

七、团队成员

朱光旭