Aprendizaje Federado y Aprendizaje Meta: Enfoques, Aplicaciones y Direcciones

En los últimos años, se han logrado avances significativos en el campo del aprendizaje automático (ML) para abordar la gestión de recursos, la gestión de interferencias, la autonomía y la toma de decisiones en redes inalámbricas. Los enfoques tradicionales de ML dependen de métodos centralizados, donde los datos se recopilan en un servidor central para el entrenamiento. Sin embargo, este enfoque plantea un desafío en términos de preservar la privacidad de los datos de los dispositivos. Para abordar este problema, ha surgido el aprendizaje federado (FL) como una solución efectiva que permite a los dispositivos perimetrales entrenar modelos de ML de manera colaborativa sin comprometer la privacidad de los datos. En FL, los conjuntos de datos locales no se comparten, y el enfoque está en aprender un modelo global para una tarea específica que involucra todos los dispositivos. Sin embargo, FL tiene limitaciones cuando se trata de adaptar el modelo a dispositivos con diferentes distribuciones de datos. En tales casos, se considera el aprendizaje meta, ya que permite la adaptación de modelos de aprendizaje a diferentes distribuciones de datos utilizando solo algunas muestras de datos. En este tutorial, presentamos una revisión exhaustiva de FL, aprendizaje meta y aprendizaje meta federado (FedMeta). A diferencia de otros documentos tutoriales, nuestro objetivo es explorar cómo se pueden diseñar, optimizar y evolucionar las metodologías de FL, aprendizaje meta y FedMeta, y sus aplicaciones en redes inalámbricas. También analizamos las relaciones entre estos algoritmos de aprendizaje y examinamos sus ventajas y desventajas en aplicaciones del mundo real.