Decentralized Federated Learning Methods for Generative AI in Edge Computing, Internet of Things (IoT) and 6G Systems PhD

生成式人工智能（GAI）模型，如生成对抗网络（GAN）、变分自编码器（VAE）和生成预训练变换器（GPT），在创建合成数据以及实现物联网和未来6G网络中的智能自适应系统方面发挥着关键作用。传统上，数据被发送到云端进行训练，但这带来了隐私风险并导致网络延迟。为解决这一问题，去中心化的联邦学习（DFL）允许边缘设备（如手机和传感器）在本地训练AI模型，无需共享数据，而是通过点对点协作而非依赖中央服务器来完成。 然而，当前的方法大多依赖于集中式或分层式架构，存在单点故障、可扩展性差以及高协调成本的问题。因此，亟需一种完全去中心化的方法。目前仍面临若干关键挑战： - 设备间数据分布差异大（非独立同分布，non-i.i.d.），影响模型准确性。 - 在动态的边缘环境中，超参数（如学习率）难以优化。 - 计算能力有限和连接不稳定制约了训练过程。 - 缺乏中央协调者时，激励设备公平参与变得困难。 本研究旨在构建一个面向GAI的鲁棒去中心化联邦学习框架，具体包括： 1. 面向边缘网络的完全去中心化、基于流言传播（gossip-based）的学习机制。 2. 利用迁移学习、元学习和强化学习实现智能模型融合，以应对数据多样性。 3. 支持实时超参数优化的自适应算法。 4. 高效的模型压缩与节点选择策略，以节省资源。 5. 基于博弈论的激励机制，促进公平参与和资源合理使用。 目标是在真实场景中，实现跨分布式边缘设备的高效、私密且可扩展的AI训练。