Recent years have witnessed a rapid proliferation of smart Internet of Things (IoT) devices. IoT devices with intelligence require the use of effective machine learning paradigms. Federated learning can be a promising solution for enabling IoT-based smart applications. In this article, we present the primary design aspects for enabling federated learning at the network edge. We model the incentive- based interaction between a global server and participating devices for federated learning via a Stackelberg game to motivate the participation of the devices in the federated learning process. We present several open research challenges with their possible solutions. Finally, we provide an outlook on future research.

In this paper, we study the resource slicing problem in a dynamic multiplexing scenario of two distinct 5G services, namely Ultra-Reliable Low Latency Communications (URLLC) and enhanced Mobile BroadBand (eMBB). While eMBB services focus on high data rates, URLLC is very strict in terms of latency and reliability. In view of this, the resource slicing problem is formulated as an optimization problem that aims at maximizing the eMBB data rate subject to a URLLC reliability constraint, while considering the variance of the eMBB data rate to reduce the impact of immediately scheduled URLLC traffic on the eMBB reliability. To solve the formulated problem, an optimization-aided Deep Reinforcement Learning (DRL) based framework is proposed, including: 1) eMBB resource allocation phase, and 2) URLLC scheduling phase. In the first phase, the optimization problem is decomposed into three subproblems and then each subproblem is transformed into a convex form to obtain an approximate resource allocation solution. In the second phase, a DRL-based algorithm is proposed to intelligently distribute the incoming URLLC traffic among eMBB users. Simulation results show that our proposed approach can satisfy the stringent URLLC reliability while keeping the eMBB reliability higher than 90%.

<p>The immediate adoption of deep learning models into domain-specific tasks for edge intelligence-based services still poses several challenges to overcome. The first is efficiently constructing the most suitable neural network architecture amongst the numerous types of available architectures. Once addressing this challenge, the second is understanding how to gather knowledge to build efficient neural network models from the user's devices (i.e., smartphone) without affecting the user's privacy. And the third critical issue is minimizing the gap between estimated and actual performance while building models. In this work, we propose a novel framework for deploying deep learning models for domain-specific tasks called MetaFed, which combines population-based meta-learning and federated learning to resolve the three challenges mentioned earlier. MetaFed autonomously constructs the potential domain-specific models with the help of population-based meta-learning by utilizing the model knowledge base. We improve the model knowledge base by using the population's knowledge via federated learning while minimizing the performance estimation gap for model construction. Experimental results show that our proposed framework offers a promising solution for deploying deep learning models at edge devices, with a significant performance gain than the existing alternative approaches.</p>

<p>The immediate adoption of deep learning models into domain-specific tasks for edge intelligence-based services still poses several challenges to overcome. The first is efficiently constructing the most suitable neural network architecture amongst the numerous types of available architectures. Once addressing this challenge, the second is understanding how to gather knowledge to build efficient neural network models from the user's devices (i.e., smartphone) without affecting the user's privacy. And the third critical issue is minimizing the gap between estimated and actual performance while building models. In this work, we propose a novel framework for deploying deep learning models for domain-specific tasks called MetaFed, which combines population-based meta-learning and federated learning to resolve the three challenges mentioned earlier. MetaFed autonomously constructs the potential domain-specific models with the help of population-based meta-learning by utilizing the model knowledge base. We improve the model knowledge base by using the population's knowledge via federated learning while minimizing the performance estimation gap for model construction. Experimental results show that our proposed framework offers a promising solution for deploying deep learning models at edge devices, with a significant performance gain than the existing alternative approaches.</p>

Data markets facilitate decentralized data exchange for applications such as prediction, learning, or inference. The design of these markets is challenged by varying privacy preferences and data similarity among data owners. Related works have often overlooked how data similarity impacts pricing and data value through statistical information leakage. We demonstrate that data similarity and privacy preferences are integral to market design and propose a query–response protocol using local differential privacy (LDP) for a two-party data acquisition mechanism. In our regression data market model, we analyze strategic interactions between privacy-aware owners and the learner as a Stackelberg game over the asked price and privacy factor. Finally, we numerically evaluate how data similarity affects market participation and traded data value.

<p>The immediate adoption of deep learning models into domain-specific tasks for edge intelligence-based services still poses several challenges to overcome. The first is efficiently constructing the most suitable neural network architecture amongst the numerous types of available architectures. Once addressing this challenge, the second is understanding how to gather knowledge to build efficient neural network models from the user's devices (i.e., smartphone) without affecting the user's privacy. And the third critical issue is minimizing the gap between estimated and actual performance while building models. In this work, we propose a novel framework for deploying deep learning models for domain-specific tasks called MetaFed, which combines population-based meta-learning and federated learning to resolve the three challenges mentioned earlier. MetaFed autonomously constructs the potential domain-specific models with the help of population-based meta-learning by utilizing the model knowledge base. We improve the model knowledge base by using the population's knowledge via federated learning while minimizing the performance estimation gap for model construction. Experimental results show that our proposed framework offers a promising solution for deploying deep learning models at edge devices, with a significant performance gain than the existing alternative approaches.</p>