智能反射面实现联邦学习

Nov, 2020

Federated Learning via Intelligent Reflecting Surface

Zhibin Wang, Jiahang Qiu, Yong Zhou, Yuanming Shi, Liqun Fu...

TL;DR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。

Abstract

over-the-air computation (AirComp) based federated learning (FL) is capable of achieving fast model aggregation by exploiting the waveform superp

over-the-air computation federated learning intelligent reflecting surface optimization problem waveform superposition

发现论文，激发创造

基于智能反射面辅助的 C-RAN 系统中，优化空中计算

本文研究了在大规模的云基站网络上，通过优化智能反射面和线性检测器实现过空计算的优势，以最小化参数预估的平均平方误差。

Apr, 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

智能反射面的空中计算

本文提出了一种智能反射表面辅助的空中计算系统，采用 DC 算法解决 AirComp 收发器和 IRS 相移的联合设计问题，实现可控无线环境，提高接收信号的能力，并且仿真结果证明了该方法的算法优势和良好性能。

Apr, 2019

利用无线计算的联邦学习学习率优化

本文提出了一种动态学习率（DLR）的机制以改善基于无线计算的联邦学习（FL）中由信道衰落引起的聚合失真问题，并通过基于 MNIST 和 CIFAR10 数据集的实验结果证明了该方案的有效性及其近似最优解的收敛性。

Feb, 2021

可重构智能表面支持联邦学习：一种统一的通信 - 学习设计方法

本研究融合可重构智能表面技术，通过优化设备选择、空中计算设计和表面配置，解决了基于空中计算的联邦学习存在的瓶颈问题，取得了显著的学习准确度提升。

Nov, 2020

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

联邦学习中中继辅助无线聚合的设备调度

我们在本文中提出了一个中继辅助的大规模联邦学习框架以及在功耗和均方误差限制下的设备调度问题，我们将优化问题转化为多个稀疏优化问题以最大化调度设备数量。模拟结果表明，与其他基准方案相比，所提出的方案的有效性。

Dec, 2023

大规模网络中的随机汇总波束赋形超空接联邦学习

在本文中，我们考虑了一种联合设备选择和聚合波束成形设计的问题，目标是最小化聚合误差和最大化选择的设备数量，提出了一种基于随机采样的聚合波束成形方案，并使用渐近分析研究了当设备数量增多时，聚合误差和选择的设备数量。通过大量的模拟结果证明了提出的随机聚合波束成形方案和改进方法的有效性。

Feb, 2024

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

可重构智能表面辅助无线联邦学习：平衡准确性和完整性

本研究提出了一种新颖的框架，使用可重构智能表面（RIS）进行联合优化，解决了无线联邦学习（AirFl）中本地模型可靠性保持以及全局精度之间的权衡问题。该框架利用波束成形器和 CSI 信息通过联合优化解决了该问题。在实验中，该框架在仍能保持本地模型可靠性的情况下实现了与理想 FL 相当的准确性。

Jul, 2022