利用接收噪声实现差分隐私的 AirComp 联邦学习和功率自适应

Apr, 2020

利用接收噪声实现差分隐私的 AirComp 联邦学习和功率自适应

Differentially Private AirComp Federated Learning with Power Adaptation Harnessing Receiver Noise

Yusuke Koda, Koji Yamamoto, Takayuki Nishio, Masahiro Morikura

TL;DR本研究旨在实现保护隐私的 AirComp-based 联邦学习，通过利用接收器噪声扰动从而防止私人数据的推断，通过调整接收信号级别以有效控制噪声扰动水平来实现差分隐私，分析了隐私和信噪比之间的权衡。

Abstract

over-the-air computation (AirComp)-based federated learning (FL) enables low-latency uploads and the aggregation of machine learning models by exploiting simultaneous co-channel transmission and the resultant wav

over-the-air computation federated learning differential privacy transmit power control signal-to-noise ratio

发现论文，激发创造

通过非相干无线计算的动态功率控制实现私有联邦学习

在联邦学习中，通过动态功率控制的 AirComp 方案进一步保护模型权重隐私并提高模型性能，边缘设备通过激活相邻正交频分复用（OFDM）子载波传输本地随机梯度的符号，通过能量在子载波上的积累获得边缘服务器的多数表决，然后通过动态功率控制算法进一步抵消多数表决聚集值的偏差，整个方案能够减轻时间同步误差、信道衰落和噪声带来的影响，该方案的理论收敛性证明得到重新推导。

Aug, 2023

在 MIMO 衰落通道上实现差分隐私的无线联合学习

本文提出在多重输入多重输出信道上运用差分隐私保护机制的联邦学习方法，以优化隐私与学习的平衡。

Jun, 2023

免费隐私保护：通过自适应功率控制的无编码传输进行无线联邦学习

本文研究了在无码传输方式下，信噪比（SNR）大于一定的阈值时，隐私限制测量通过差分隐私（DP）实现隐私保护，而不影响学习表现。同时研究了自适应功率分配（PA）和多址接入（OMA）和非正交多址接入（NOMA）传输等无线 Federated Learning 方案，提出了离线和启发式在线解决方案。

Jun, 2020

MIMO 网络中的跨层联邦学习优化

本文研究了在一个现实的无线多输入多输出（MIMO）通信系统上部署联邦学习（FL）的性能优化，研究了使用数字调制和空中计算（AirComp）的 MIMO 系统，提出了一种组合数字调制和 AirComp 的修改联邦平均（FedAvg）算法来降低无线信道的淡化和确保通信效率。

Feb, 2023

基于自编码器的无线联邦学习中的 AirComp 星座设计

该研究提出了一种支持数字调制的端到端通信系统，旨在克服数字调制的 AirComp 中精确解码总和信号的挑战，通过使用自编码器网络结构和发射机、接收机组件的共同优化，填补了数字调制的 AirComp 情景中精确解码总和信号的重要空白，可以推动联邦学习在当代无线系统中的部署。

Apr, 2024

使用正交序列的差分隐私无线联邦学习

通过使用正交序列的特性，FLORAS 在通信设计角度消除了发送器处的信道状态信息 (CSIT) 的要求，提出了一种用于单输入单输出 (SISO) 无线联邦学习 (FL) 系统的新颖的隐私保护上行计算 (Over-the-Air Computation) 方法，并通过调整系统参数，可以在没有额外成本的情况下灵活地实现不同的差分隐私 (DP) 级别。同时，FLORAS 提供了单项和客户差分隐私保证。

Jun, 2023

高精度空中计算的能量和频谱高效联邦学习

本文提出了基于 M-AirComp 的联邦学习多位计算方法及移动设备的能量高效设计，旨在解决联邦学习在移动设备上更新梯度导致的频繁无线更新和能量消耗问题。经过大量仿真实验，相比之前的方法，我们的方案在频谱利用，能量效率和学习准确率方面优于现有方案。

Aug, 2022

无线联邦学习与优化

使用过空中计算的联邦学习方法，研究了在无线网络上进行联邦学习时由于信道衰落和噪声引起的模型聚合误差，包括收敛性、影响、收敛速率、传输方案和通信效率等方面，并通过仿真验证了理论结论。

Oct, 2023

在无线联邦学习中平衡能效和分布鲁棒性

通过融合设计用于节能和分布鲁棒性的确定性和概率方法，本文提出了一种保证分布式鲁棒联邦学习的能量效率的新方法，并且通过模拟结果展示了与基准方法相比，在鲁棒性和能量效率两个方面都具有优异性能，达到了超过基准方法 3 倍的能量节省。

Dec, 2023

智能反射面实现联邦学习

本文提出了一种基于智能反射表面的过空计算（AirComp）联邦学习（FL），通过联合优化设备选择、基站聚合波束成形器和 IRS 相位变化，以最大限度地提高每一轮通讯中参与模型聚合的设备数量，以达到在一定的均方误差（MSE）要求下快速、可靠的模型聚合。仿真结果表明，与基线算法相比，所提出的算法和 IRS 的部署可以实现更低的训练误差和更高的 FL 预测准确度。

Nov, 2020