MMMar, 2020

基于压缩感知的海量 MIMO 通信系统联邦学习方法

PDF
TL;DR本文提出了一种基于压缩感知的联邦学习算法，通过传输策略构造稀疏的梯度向量信号，利用压缩感知算法迭代地求解线性最小均方误差 (LMMSE) 估计量。通过仿真实验，证明了该方法在无线设备通信系统中具有比传统线性波束赋形方法更好的性能，并减小了联邦学习和中央学习的性能差距。
federated learningcompressive sensingmassive mimotransmission strategylmmse estimation
发现论文，激发创造
  • 面向 FDD 多用户大规模 MIMO 系统的分布式压缩 CSIT 估计和反馈

    采用分布式压缩感知方法进行关键状态信息（CSIT）的估计，利用用户信道矩阵中的隐藏共享结构，提出了一种联合正交匹配追踪回收算法来利用联合信道稀疏性来提高 CSIT 估计性能。

    May, 2014

  • 基于误差反馈的低秩梯度压缩技术在 MIMO 无线联邦学习中的应用

    本文提出了一种用于增强多输入多输出（MIMO）无线系统中联邦学习（FL）通信效率的新方法。该方法基于交替最小二乘算法，利用低秩矩阵分解策略对本地梯度压缩进行过空中计算和误差反馈。所提出的协议被称为空中低秩压缩（Ota-LC），在保证相同推理性能的同时，相比现有基准方案具有更低的计算成本和通信开销。以 Cifar-10 数据集为例，当目标测试准确度为 80% 时，Ota-LC 相比基准方案至少可以降低 30% 的总通信开销，并将计算复杂度的阶数降低到梯度维度之和的倍数。

    Jan, 2024

  • 在联邦学习中协调安全性和通信效率

    本文解决了跨设备联邦学习中通信效率问题并提出了一种基于安全聚合的压缩方法，使得在保证通信安全的前提下能够实现高效联邦学习。

    Jul, 2022

  • 压缩联邦学习：统一分析和精确保证

    通过定期压缩通信的算法，分析其收敛性并探讨其与局部计算的关系，提出了一种本地梯度追踪方案，以缓解数据异质性，实现了更快的收敛速度和更好的算法效果。

    Jul, 2020

  • 一位压缩感知的通信高效去中心化联邦学习

    本文提出了一种基于不精确的交替方向法方法的新算法，在分散节点之间训练共享模型的过程中实现了稀疏约束、通信效率和计算效率的改进。

    Aug, 2023

  • 联合功率控制与数据大小选择用于辅助联邦学习的空中计算

    联合优化基站和移动设备的信号放大因子以及每个移动设备参与本地训练的数据量，提出了一种减少均方误差的方法，有助于改善联合学习的训练性能。

    Aug, 2023

  • 带噪声通信的鲁棒联邦学习

    本研究提出一种鲁棒的联邦学习方案，通过并行优化、正则化等方法减小噪声影响，并从理论角度分析了其收敛性和准确性改善，仿真实验进一步验证了该方案的有效性。

    Nov, 2019

  • 基于结构化压缩感知的 FDD 海量 MIMO 时空联合信道估计

    提出了一种基于结构化压缩感知的时空联合通道估计方案，通过利用时延域 MIMO 通道的时空公共稀疏性来降低所需的导频开销，利用非正交导频和自适应结构子空间追踪算法，提高估计的准确性，并通过利用时域通道相关性，提出了空时自适应导频方案。

    Dec, 2015

  • 压缩感知的无线联邦学习：是否需要稀疏化？

    通过比较不同通信设计的效果，研究发现，在相同总功率约束下，压缩感知方法配合稀疏化并不必要，而仅进行稀疏化而不使用线性压缩能够更好地提高性能。

    Oct, 2023

  • 面向通信高效和隐私保护的联邦表示学习

    本文探讨了在通信成本和隐私保护的限制下联邦表示学习的可行性。首先证明了自监督对比本地训练的鲁棒性，然后基于此提出了一种新的 Federated representation Learning 框架，使用相似度蒸馏对全局模型进行训练。我们通过一系列实验验证了这种方法的有效性，并表明在多种数据集上，尽管受到更严格的限制，它仍能够以可比较的结果实现多种设置下的性能。

    Sep, 2021