面向6G边缘智能的天地流体AI

陈倩 ,  王占伟 ,  陈先浩 ,  文娟 ,  周笛 ,  姬思敬 ,  盛敏 ,  黄凯斌

工程（英文） ›› 2025, Vol. 54 ›› Issue (11) : 15 -21.

PDF (2309KB)
工程（英文） ›› 2025, Vol. 54 ›› Issue (11) : 15 -21. DOI: 10.1016/j.eng.2025.06.009
观点述评

面向6G边缘智能的天地流体AI

作者信息 +

Space–Ground Fluid AI for 6G Edge Intelligence

Author information +
文章历史 +
PDF (2363K)

Graphical abstract

引用本文

引用格式 ▾
陈倩,王占伟,陈先浩,文娟,周笛,姬思敬,盛敏,黄凯斌. 面向6G边缘智能的天地流体AI[J]. 工程（英文）, 2025, 54(11): 15-21 DOI:10.1016/j.eng.2025.06.009

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

第六代移动通信系统（6G）预计将在2030年前后实现商用。国际电信联盟（ITU）指出，相较于第五代移动通信系统（5G），6G将引入三类新的典型应用场景，其中“人工智能（AI）与通信的深度融合”以及“无处不在的连接”最具代表性。针对前者，边缘AI已成为6G演进的关键方向之一[1]。通过在网络边缘支持分布式机器学习、AI推理和AI模型分发，6G有望赋能扩展现实（XR）、自动驾驶、协作机器人等广泛应用。而对于后者，6G被广泛认为将构建天地一体化网络（SGIN），实现地面网络与非地面（如卫星）网络的无缝融合[2]。在该趋势的推动下，多国以及以SpaceX为代表的领先科技企业正积极布局大规模星座建设，旨在将互联卫星打造为新一代通信基础设施。

得益于现代卫星所搭载的强大计算资源（例如，一颗Starlink卫星的计算能力相当于60余台Linux服务器[3]），卫星不仅可作为通信节点，还能够充当计算服务器。现有研究将卫星引入移动边缘计算（MEC）架构，使其作为边缘服务器处理地面用户卸载的计算任务，从而有效减轻地面终端的计算负担。为优化任务卸载与资源分配，学术界提出了多种优化方法（如凸优化、博弈论与启发式算法）[4]，并进一步引入了AI驱动的资源管理策略（如强化学习与深度学习）[5]。近年来，随着AI计算需求的迅速增长，研究人员进一步提出利用具备AI处理能力的卫星，作为支持边缘学习[6]与边缘推理[7]的边缘AI服务器。相关研究主要聚焦于模型训练/推理精度的优化，以及神经网络的层级划分。然而，边缘AI与SGIN的深度融合仍处于起步阶段。

顺应上述6G发展趋势，本文提出将边缘AI与SGIN相结合，推动AI服务由地面延伸至空天。通过互联成千上万具备计算能力的在轨卫星与地面服务器，有望构建一个无所不在、三维立体的流动计算平台，从而实现随时随地的AI服务接入。这一新兴范式不仅有望弥合数字鸿沟，实现AI服务的全球覆盖，还能够为偏远地区或灾害环境中的任务型智能应用（如AI辅助搜救）提供技术支撑。然而，受卫星网络拓扑结构的高度动态性以及天地链路通信速率的限制，实现上述愿景仍面临两大关键挑战。

• 高动态卫星环境下的服务连续性保障。首要挑战在于如何在高速移动的卫星环境中高效管理任务迁移，以确保服务连续性。与位置固定的地面边缘服务器不同，卫星的高速运动特性导致在低轨（LEO）卫星网络中频繁发生节点切换，通常间隔仅为数分钟，从而显著增加了服务连续性保障的难度[8]。

• 馈电链路受限下的低时延服务挑战。由于空间与地面之间存在严重的信号衰减以及较长的传播时延（连接LEO卫星时平均往返时延约为50 ms [9]），在此条件下实现低时延且数据密集型的边缘AI服务仍然极具挑战性。

为应对上述挑战，本文提出一种将边缘AI与SGIN无缝融合的架构设计，旨在将传统二维边缘AI体系扩展至空天领域，构建全新的天地流体AI（space-ground fluid AI）框架。该命名灵感源于“水可适应任意形状容器”的物理特性。SGIN具有高度动态的网络拓扑结构，因此可将其类比为一个灵活且持续变化的“容器”，而网络中传输的流量——即AI模型参数与数据特征——则类似于“水”，既可在空间层面（卫星之间）横向流动，也可在垂直方向（天地之间）纵向流动，以适应容器形态的变化。尽管这种“容器”的动态性带来了诸多挑战，但研究人员仍须开发新型的流体AI技术，使“水”能够根据“容器”的变化进行自适应调整，从而保障AI业务的鲁棒性与连续性。支撑流体AI技术的关键基础在于卫星轨道运动的可预测性与周期性，这些特性显著区别于静态地面服务器或随机移动的无人机（UAV）网络。值得注意的是，传统的边缘AI资源管理方案没有考虑边缘服务器的可预测移动性，因此亟须设计面向空天场景的全新的流体AI管理机制。

所提出的流体AI框架由三项核心AI技术构成：流体学习、流体推理与流体模型下载。首先，为缓解SGIN中模型训练周期过长的问题，本文提出一种无需基础设施的“模型传播式”联邦学习机制。该机制借助在轨卫星在不同区域间传播并融合模型参数（类似于自然界中动物传播种子的过程），从而加速训练收敛，并将卫星的高动态性由系统负担转化为系统优势。其次，针对卫星服务器间计算能力的异构性，本文设计了一种基于模型级联结构的推理框架，将模型模块分布式部署于多颗卫星之间，并通过调控全局模型的传播深度，在推理精度与服务时延之间实现灵活权衡。同时，提出的横向与纵向模型迁移机制可进一步保障任务执行的连续性。最后，为提升模型向地面用户的分发效率，本文提出一种基于参数共享的缓存机制，用于在卫星端存储模型，并设计了相应的参数共享多播策略，以克服现有天地通信速率的限制。

本文其余部分的组织结构如下：第2节介绍天地流体AI的网络架构与关键特性；第3节详细阐述三项核心技术，即流体学习、流体推理与流体模型下载；第4节讨论天地流体AI的部署问题与未来研究方向；第5节给出总结与研究展望。

2 天地流体AI概述

本节首先介绍SGIN的架构，并结合其独有特性探讨由此衍生的AI设计研究机遇。本节内容为第3节所提出的技术奠定基础并提供研究动机。

2.1 流体AI的网络架构

多用户流体AI系统如图1所示，主要由以下3个部分构成。

（1）地面物联网设备。这些设备分布在不同地理位置，各自持有少量异构数据集，并周期性地产生不同的任务。

（2）具备AI能力的卫星。卫星按照预定轨道运行，具备比地面终端更强的处理能力，不仅能够为地面用户执行模型训练与任务推理，还可作为AI模型库的边缘缓存节点。

（3）地面站。地面站通过馈电链路与卫星相连，是流体AI系统的控制中心。凭借光纤与数据中心的有线连接，地面站能够高效发挥云端功能，其主要职责包括计算高效的资源管理策略，并下发指令协调卫星与地面设备执行任务。此外，凭借强大的计算能力，地面站还可与卫星协同，提供云-边协同计算服务。

这样的流体AI系统为在SGIN中实施分布式学习、推理与模型下载提供了支持平台，该系统的实现依赖下文所述的关键技术。

2.2 流体AI的特性

与地面网络相比，流体AI具有独特性质，可加以利用以构建更高效的天地一体化AI系统框架。

（1）可预测的信道条件。流体AI技术可受益于SGIN动态拓扑的非因果性知识，即星历信息。星历信息可转化为信道可预测性，从而支持智能化的任务/模型迁移与资源管理，提升系统性能和效率。为此，可基于机器学习方法构建信道预测器[如长短期记忆网络（LSTM）和Transformer模型]，并利用实际测量数据集与非因果网络拓扑信息进行训练。流体AI网络中的信道可预测性能够为资源与移动性管理（见第3节）提供支撑，从而确保AI服务的连续性。

（2）重复的轨道运动。卫星的重复运动同样可被利用，以实现高效的资源与移动性管理。在较短时间尺度下（可忽略地球自转的影响），同一轨道内的卫星可被视为沿相同轨迹运行，即每颗后续卫星均沿前一颗卫星的路径飞行。即便在地球自转不可忽略的时间尺度下，LEO卫星星座中相邻轨道的地面投影轨迹仍会在特定时间间隔内重复，该间隔由相邻轨道之间升交点赤经（RAAN）差值决定。卫星的这种重复性运动为跨区域任务迁移与模型共享带来了独特机遇，这将在第3节进一步阐述。

3 天地流体AI的关键技术

如前所述，流体AI相较于地面边缘AI的独特之处在于，前者能够利用卫星的可预测移动性，实现智能化的水平与垂直任务/模型迁移。本文将采用6G体系下先进的通信-计算融合方法，使所提出的流体AI框架中的AI技术与无线资源管理自然融合，从而实现服务连续性、端到端（E2E）性能最优及能效提升。如图1所示，在该框架内，本文重点讨论三项关键技术：流体学习、流体推理以及流体模型下载。

3.1 天地流体学习

在偏远地区利用海量数据开展大规模的模型训练，对于医疗、搜救和农业等关键任务型应用至关重要。然而，该目标受偏远地区通信-计算基础设施匮乏的限制。虽然卫星网络能够在一定程度上缓解这一问题，但现有的SGIN学习方案要么收敛时间过长，要么依赖昂贵的星间链路（ISL）。为应对这些挑战，本文提出流体AI的第一项核心技术——流体学习，旨在利用卫星的移动性，在广域地理范围内实现分布式训练。

联邦学习作为一种分布式机器学习方法，已在SGIN中得到广泛研究。在该框架下，地面边缘设备（如传感器或手机）会周期性地将更新后的模型或梯度上传至卫星，由卫星进行模型聚合。然而，由于LEO卫星的服务覆盖范围有限，实现全球范围内的模型一致性仍面临巨大挑战。针对这一问题，现有的SGIN联邦学习框架主要分为两类。

（1）地面站辅助的分层联邦学习[10]：卫星将模型转发至地面站，由地面站执行全局聚合。然而，由于卫星与地面站相遇可能存在较长时延，学习效率会被过长的等待时间严重削弱。

（2）ISL辅助的去中心化联邦学习[6]：卫星通过ISL进行模型交换与平均化，从而避免了长时间的等待。然而，激光终端价格极高（例如，据美国空间发展局合同[11]，单个终端约50万美元），因此该方案并不适用于所有卫星系统。例如，Starlink第一阶段及许多其他卫星系统中并未配置ISL。即便卫星具备ISL，通过多跳ISL转发模型仍会带来不可忽视的带宽开销。

由于上述方案依赖地面基础设施或ISL，本研究提出一种充分利用卫星移动性的全新“模型传播式”联邦学习方案，其最大特点是不依赖任何基础设施。在该方案中，借助在轨卫星的存储-携带-转发能力，卫星可将所在区域的模型携带至下一个区域完成知识融合，从而在无需依赖ISL或地面站的情况下，实现跨区域的模型扩散。这一机制类似于自然界中动物传播种子的方式[12]。在该方案下，同一簇内[如图2（a）中的簇A、B、C、D]的训练过程采用同步方式；而不同簇之间的训练过程则采用异步训练方式，因为客户端可能与未携带上一地区模型的卫星进行训练。这种异步训练能够提供更灵活的训练进度控制，并减少跨区域的等待时间。为进一步保证簇内同步联邦学习的鲁棒性，本文设计了应对客户端掉线的策略。具体而言，在每一轮全局训练中，选定的客户端会被分配一个固定时间窗口；若某个客户端因通信时延或用户-卫星链路临时不可用而未能在规定时间内上传模型，则其更新结果将被排除在此次聚合之外，随后卫星按加权平均等标准算法执行聚合。

图2（b）对比了所提方案与上述两类主流SGIN联邦学习方法在测试精度上的性能。实验采用ResNet-18模型，在非独立同分布（non-IID）条件下分别对CIFAR-10和MNIST（Modified National Institute of Standards and Technology）数据集进行训练。为简化分析，假设地球上存在8个簇，每个簇包括5个客户端，且同一簇内的客户端图像仅来自3个标签。LEO卫星星座基于Starlink系统构建，并利用STK（Systems Tool Kit）软件建模。三种方法下，CIFAR-10的训练轮数设为200，MNIST设为80。结果表明，所提方案在较短训练时间内即可获得最高的测试精度，同时避免了在模型聚合或交换过程中使用馈电链路或ISL，从而降低了通信开销。所提算法与现有方法在通信开销上的对比可参考我们之前的研究[12]。

3.2 天地流体推理

偏远地区的边缘设备可以将计算密集型推理任务卸载至流体AI系统进行处理。为了实现较低的E2E时延，主要挑战在于卫星节点的计算能力有限以及网络拓扑高度动态变化，这使得需要在在轨服务器之间进行合理的服务路由与迁移。为支持网络内推理，我们将讨论流体AI的第二个组成部分——流体推理，其中推理精度可通过分布在卫星或地面站的模型层得到逐步提升。

鉴于SGIN中终端-边缘-云系统的计算能力存在差异，本研究提出将神经网络划分为多个级联子模型，即头部、中部和尾部子模型，如图3所示。头部子模型包含较浅的神经层，可提取低层特征，适合部署在计算资源有限的客户端。中部子模型包含若干计算复杂度适中的中间层，适合部署在卫星节点。尾部子模型通常包含负责高层特征提取与复杂逻辑运算的大部分神经层，适合部署在计算资源充足的地面数据中心。根据资源可用性和通信链路容量，该三层架构可调整为两层架构（如用户-卫星协作）或扩展为多层架构（如跨多颗卫星节点的逐层传递）。此外，结合早退（early exiting）技术，每个子模型均配备一个低复杂度的中间分类器，可基于该子模型生成中间推理结果，从而在准确率与总体推理时延之间实现平衡。

为降低E2E时延，推理过程可以在任意子模型处提前终止，由中间分类器直接输出结果，从而避免执行完整模型的计算。然而，这种方式往往会以降低推理精度为代价[13]。因此，推理任务可根据其服务质量（QoS）需求，在不同节点间传递。结合来自地面的任务请求概率，可以在流体AI系统中进一步研究模型部署与路由的联合优化问题。由于级联模型的部署在一定时间窗口内保持不变，该时间段内的平均推理精度/时延由卫星的移动模式决定。因此，卫星节点的移动性极大地增加了天地流体推理中精度-时延权衡的复杂性，使其设计区别于地面网络场景。

另一个关键设计问题是推理任务（模型）迁移的建模。具体而言，为最大化任务完成率，可以采用类似流体的方式执行水平和垂直任务迁移，即通过ISL在卫星之间或在地面站与卫星之间传输任务/模型。前者旨在平衡卫星间的通信与计算负担，后者则通过比较卸载时延与迁移成本，动态控制推理任务应卸载至远程云中心还是就近可见的卫星。

3.3 天地流体模型下载

前述学习与推理两大组成部分若没有高效的模型传输机制将无法在流体AI中得以实现。为此，本研究设计了流体AI的最后一个组成部分——流体模型下载，旨在通过流体AI实现向边缘设备的高效模型下载。鉴于馈电链路容量有限以及地面用户数量庞大，流体AI必须充分利用有限的频谱带宽，实现高效的模型下载。为了提升缓存和频谱效率，本文的核心思想是知识复用——一种近年来在多任务学习与参数高效微调中兴起的技术，其基本原理是深度神经网络的部分参数块可在多种任务间共享[14]。具体内容如下。

（1）参数共享的模型缓存与迁移。首要问题是在流体AI网络中应如何进行模型缓存，以实现超高速的模型下载。在参数高效微调、层冻结迁移学习或多任务学习中，大量神经网络参数通常承载着可应用于多种下游任务的基础知识，因此能够在不同任务间共享[15]。基于这一特点，当多个具有共享参数的AI模型存储在同一颗卫星上时，这些公共参数可以在模型之间复用，从而提升存储效率。基于这一理念，卫星无须缓存每个模型的全部参数，而是可以仅缓存不同模型的部分参数块；当需要时，相邻卫星可以通过激光ISL迁移部分层的参数（图4）。这种参数共享缓存机制能够在有限的存储资源下，提高边缘卫星在为地面用户提供服务时的缓存命中率。通过从可见卫星而非远程云中心获取频繁请求的模型组件，本文所提方案能有效降低模型下载时延。为了最大化缓存命中率，需要设计一种最优方案，以满足用户对推理精度和时延的要求。卫星节点的移动模式以及分层的天地网络架构，使最优缓存方案区别于地面网络中的对应方案（如我们在前期工作[15]中提出的设计）。

（2）面向AI下载的参数共享。在同时为大量设备下载多样化且高维度的模型时，天地无线链路会成为主要的通信瓶颈。传统的单播方案要求每个任务单独下载完整模型。然而，由于单颗卫星必须同时为广域地理区域内的用户提供服务，因此在高峰时段用户会面临过长的等待时间。这一问题在卫星网络中会因带宽与发射功率受限以及传输链路不稳定（如恶劣天气导致的衰减）而进一步加剧。

为了充分利用知识复用，以实现多设备间通信高效的模型下载，可以采用参数共享的多播策略[14]。具体而言，对于不同任务与设备间可复用的模型参数（参数块），卫星可以通过多播策略使多个设备能够同时下载这些共享参数。在该背景下，需要进行精细的无线资源管理，以优化E2E性能并最大化AI模型下载效率，同时应综合考虑自适应的波束覆盖、功率控制与带宽分配等关键技术。此外，还须联合设计卫星模型缓存与多播策略，在考虑不同轨道卫星节点间协同的前提下实现性能最优。

4 天地流体AI的部署考虑与未来方向

4.1 流体AI的部署考虑

在卫星上部署流体AI时，必须应对太空环境带来的两大根本性挑战：严苛的物理条件与间歇性的电力供应。这些因素将显著影响在SGIN中提供AI服务的可行性与可靠性。与地面AI系统不同，卫星运行在高辐射、剧烈温度波动以及真空环境中。研究表明，空间辐射导致的故障约占卫星总故障的40%，凸显了问题的严重性。辐射暴露会引起AI处理器硬件退化和比特翻转错误，随着时间推移影响模型的精度与稳定性。此外，卫星在日照区与阴影区之间的温差会引起材料热胀冷缩，从而可能引发硬件应力并增加故障率。为应对这些问题，卫星通常采用抗辐射电子元件与纠错机制，以增强系统抵御宇宙辐射的能力。容错计算策略（如三模冗余）同样至关重要：通过在三个独立单元上运行同一进程，并采用多数投票确定正确输出，可有效降低计算错误风险。此外，AI模型的冗余存储可确保在因模型辐射故障损坏时，能够从非易失性存储器中恢复备份版本，从而维持AI推理与学习的连续性。在网络层面，可以利用随机图理论优化SGIN中的计算能力部署与服务（模型）放置策略，从而在节点失效时，将时延敏感任务转发至其他邻近卫星节点，并保持关键任务服务的高可靠性。

另一个在卫星上部署AI的主要制约因素是电力供应的有限性与波动性。不同于地面基础设施能够依赖稳定的电源，卫星主要依赖太阳能电池板发电。在日照区，卫星可以收集并储存能量；一旦进入阴影区，卫星只能依靠电池储能运行。由于卫星轨道及其相对太阳的位置高度可预测，因此可以利用这一特性实现感知能量状态的AI任务调度。具体而言，通过星间任务负载均衡，可将任务动态卸载至能源余量充足的卫星，从而优化能源利用率，降低电量耗尽风险，并确保AI业务的持续运行。

4.2 流体AI的未来方向

流体AI仍是一个尚未被充分探索的领域，蕴含着丰富的研究机遇。以下列出几个潜在方向。

• 节能型流体AI。地面设备为克服长距离传输导致的严重自由空间路径损耗问题，往往需要提高发射功率。因此，与蜂窝用户相比，这些地面设备的能耗更高，这对长期的训练过程构成了显著挑战。基于可预测的信道条件，可以通过调度客户端仅在接近卫星时上传信息来缓解这一问题。然而，这种方式会造成卫星与地面用户之间有限可见时间的浪费。因此，有必要研究能耗与可见时长之间的权衡，从而实现节能型流体AI。

• 低时延流体AI。在SGIN中，长距离传输导致的高传播时延（即数十毫秒级）是支撑时延敏感型应用（如自动驾驶）的主要瓶颈。尽管天地之间的信令交换（如确认信息）对于保障传输可靠性及提升推理/训练精度至关重要，但这一过程也会带来额外的传播时延。因此，为降低推理时延，必须精心设计卫星-地面信令机制，以在推理时延与精度之间实现最优平衡。

• 安全型流体AI。由于卫星的移动性，流体AI在安全与隐私方面的研究仍然不足。卫星在运行中不断穿越不同区域，使其暴露于更广泛的攻击面之下。与地面系统相比，卫星更容易遭受窃听与拦截威胁，因为对手可利用长距离卫星链路窃取敏感的模型参数或推理结果。此外，跨轨道与地面节点的联邦学习会增加模型投毒与后门攻击的风险，即恶意更新可能通过被攻陷的地面节点注入系统。与地面节点相比，卫星受限的计算资源也限制了复杂防御机制的部署。然而，卫星星座的重复轨迹特性提供了独特优势——可通过知识蒸馏等技术，将安全增强的模型从先前卫星传递至后续卫星，从而逐步抵御不断演化的威胁，并提升系统的鲁棒性。

5 总结

本文引入了流体AI技术，以探讨AI在SGIN中的关键作用。与地面边缘AI不同，流体AI利用卫星可预测的轨迹来指导AI提供服务。结合SGIN的周期性网络拓扑结构，本文全面回顾了天地一体化网络在架构、应用场景以及为边缘AI带来的独特优势。为应对移动性管理与天地网络协同的挑战，本文还概述了在SGIN中实现高效流体学习、流体推理和流体模型下载的支撑技术。流体AI代表着即将在6G时代实现边缘AI与SGIN无缝融合的重要一步。希望本文能够激发更多后续的研究，进一步挖掘SGIN在推动高效边缘AI策略方面的潜力。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Letaief KB, Shi Y, Lu J, Lu J. Edge artificial intelligence for 6G: vision, enabling technologies, and applications. IEEE J Sel Areas Commun 2022;40(1):5‒36. . 10.1109/jsac.2021.3126076
[2]

Luo H, Shi X, Chen Y, Meng X, Zhao F, Mayer M, et al. Very-low-Earth-orbit satellite networks for 6G. Shenzhen: Huawei; 2022.
[3]

Tung L. SpaceX: we’ve launched 32,000 Linux computers into space for Starlink Internet [Internet]. New York City: ZDNet; 2020 Jun 8 [cited 2024 Nov 24]. Available from:

[4]

Chen Q, Meng W, Quek TQS, Chen S. Multi-tier hybrid offloading for computation-aware IoT applications in civil aircraft-augmented SAGIN. IEEE J Sel Areas Commun 2023;41(2):399‒417. . 10.1109/jsac.2022.3227031
[5]

Cheng N, Lyu F, Quan W, Zhou C, He H, Shi W, et al. Space/aerial-assisted computing offloading for IoT applications: a learning-based approach. IEEE J Sel Areas Commun 2019;37(5):1117‒29. . 10.1109/jsac.2019.2906789
[6]

Fang Q, Zhai Z, Yu S, Wu Q, Gong X, Chen X. Olive branch learning: a topology-aware federated learning framework for space‒air‒ground integrated network. IEEE Trans Wirel Commun 2023;22(7):4534‒51. . 10.1109/twc.2022.3226867
[7]

Yao S, Lin Y, Wang M, Xu K, Xu M, Xu C, et al. LEOEdge: a satellite‒ground cooperation platform for AI inference in large LEO constellations. IEEE J Sel Areas Commun 2025;43(1):36‒50. . 10.1109/jsac.2024.3460083
[8]

AL-Hourani A. A tractable approach for predicting pass duration in dense satellite networks. IEEE Commun Lett 2021;25(8):2698‒702. . 10.1109/lcomm.2021.3077557
[9]

Shuman M. The dream of affordable Internet access for everyone is getting closer [Presentation]. In: ITU International Satellite Symposium 2017—Space Development and Sustainability in the Americas Region; 2017 May 29‒31; San Carlos de Bariloche, Argentina.
[10]

Matthiesen B, Razmi N, Leyva-Mayorga I, Dekorsy A, Popovski P. Federated learning in satellite constellations. IEEE Netw 2024;38(2):232‒9. . 10.1109/mnet.132.2200504
[11]

Lansel X. Optical comms’ ecosystem setting up for the technological breakthrough [Internet]. Seongnam: Asia Pacific Space Community Council; 2023 Mar 6 [cited 2024 Nov 24]. Available from:

[12]

Chen Q, Chen X, Huang K. FedMeld: a model-dispersal federated learning framework for space‒ground integrated networks. 2024. arXiv:
[13]

Lan Q, Zeng Q, Popovski P, Gündüz D, Huang K. Progressive feature transmission for split classification at the wireless edge. IEEE Trans Wirel Commun 2023;22(6):3837‒52. . 10.1109/twc.2022.3221778
[14]

Wu H, Zeng Q, Huang K. Efficient multiuser AI downloading via reusable knowledge broadcasting. IEEE Trans Wirel Commun 2024;23(8):10459‒72. . 10.1109/twc.2024.3373015
[15]

Qu G, Lin Z, Chen Q, Li J, Liu F, Chen X, et al. TrimCaching: parameter-sharing edge caching for AI model downloading. 2024. arXiv:

AI Summary AI Mindmap
PDF (2309KB)

4994

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉