A Comprehensive Review of Federated Learning and TinyML for Localization

Abstract

The growing demand for intelligent and context-aware Internet of Things (IoT) systems has spurred the advancement of machine learning (ML) solutions for real-time localization. Deploying ML models on distributed, resource-constrained edge devices offers substantial opportunities while posing unique challenges. This article presents a comprehensive review of strategies for adapting and designing ML models for deployment on embedded hardware with limited resources. We emphasize Tiny Machine Learning (TinyML), a paradigm that facilitates ultra-low-power ML execution on microcontrollers and sensors, and explore its synergy with Federated Learning (FL), which enables collaborative model training across devices without centralizing sensitive data. We examine training strategies, deployment workflows from cloud to edge, model optimization techniques, and key applications of TinyML and FL in localization. Benefits such as real-time processing, privacy preservation, and energy efficiency are analyzed, along with challenges including computational constraints, interoperability, and security vulnerabilities. The article concludes by identifying research gaps and outlining future directions for integrating TinyML and FL in large-scale localization systems.

أدى الطلب المتزايد على أنظمة إنترنت األشياء الذكية والمدركة للسياق إلى تسريع تطوير حلول التعلم اآللي ألغراض تحديد الموقع في ا كبيرة، إال أنه يطرح في الوقت ذا ً الزمن الحقيقي. ويوفر نشر نماذج التعلم اآللي على أجهزة الحافة الموزعة والمحدودة الموارد فرص ته مجموعة من التحديات الفريدة. تقدم هذه الورقة مراجعة منهجية ومقارنة لالستراتيجيات المستخدمة في تكييف وتصميم نماذج التعلم اآللي بما يالئم نشرها على األجهزة المضمنة ذات الموارد المحدودة

ا يتيح تنفيذ نماذج التعلم اآللي باستهالك فائق االنخفاض للطاقة على ً ويركز هذا البحث على التعلم اآللي المصغر، بوصفه نهج المتحكمات الدقيقة وأجهزة االستشعار، كما يستعرض أوجه التكامل بينه وبين التعلم االتحادي، الذي يتيح التدريب التعاوني للنماذج عبر أجهزة متعددة دون الحاجة إلى تجميع البيانات الحساسة في موقع مركزي. كذلك، نناقش استراتيجيات التدريب، وآليات النشر من السحابة إلى الحافة، وتقنيات تحسين النماذج، وأبرز تطبيقات التعلم اآللي المصغر والتعلم االتحادي في مجال تحديد الموقع كما يتم تحليل عدد من المزايا، من بينها المعالجة في الزمن الحقيقي، والحفاظ على الخصوصية، وكفاءة استهالك الطاقة، إلى جانب التحديات المرتبطة بالقيود الحاسوبية، وقابلية التشغيل البيني، والثغرات األمنية. وتختتم المقالة بتحديد الفجوات البحثية القائمة واستعراض االتجاهات المستقبلية لدمج التعلم اآللي المصغر والتعلم االتحادي ضمن أنظمة تحديد الموقع واسعة النطاق