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

MMNov, 2020

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

Reconfigurable Intelligent Surface Enabled Federated Learning: A Unified Communication-Learning Design Approach

Hang Liu, Xiaojun Yuan, Ying-Jun Angela Zhang

TL;DR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。

Abstract

To exploit massive amounts of data generated at mobile edge networks, federated learning (FL) has been proposed as an attractive substitute for centralized machine learning (ML). By collaboratively training a shared learning model at edge devices, FL avoids direct data transmission and

federated learning over-the-air computation reconfigurable intelligent surface device selection communication efficiency

发现论文，激发创造

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

可重构智能表面用于智能物联网的联邦机器学习

文章介绍了一种基于超信道叠加和可重构智能表面的、通信高效的联邦机器学习框架，用于智能物联网网络的无线计算，以减少模型聚合期间的通信瓶颈和误差。

Apr, 2020

迈向可扩展的无线联合学习：挑战与解决方案

通过网络设计和资源编排的两个方面讨论了实现可扩展无线联邦学习的挑战和解决方案，并提出了三种面向任务的学习算法来提高算法的可扩展性，实现对无线联邦学习的计算高效资源分配。

Oct, 2023

个性化面向个性化重构智能表面的无线联邦学习

我们提出了第一个个性化的 OTA-FL 方案，通过多任务学习以及用户个人可重构智能表面（RIS）的协助，平衡了具有不同数据集的用户的性能，解决了现实生活中数据异质性问题。我们的 PROAR-PFed 算法通过优化通信和计算资源，针对时变信道中的全局和个性化任务，在非独立同分布数据的情况下，自适应地设计功率、本地迭代和 RIS 配置。通过收敛性分析，我们证明 PROAR-PFed 在 Fashion-MNIST 数据集上胜过现有的最先进方法。

Jan, 2024

中继辅助的合作式联邦学习

介绍了一种利用中继增强联邦学习效率的方案，利用无线超定理传输实现局部模型更新上传，通过交替优化算法进行转发器和中继操作的优化，单中继情况下实现模型聚合误差更小。

Jul, 2021

基于 RIS 的城市空中交通分布式学习拓扑控制

本文通过利用可重构智能表面（RIS）的拓扑属性来促进学习性能并获得收敛保证，探索了分布式学习的相关问题，并提出了用于优化传输延迟和收敛速度的几个联邦学习拓扑准则。同时，本文还开发了基于深度确定性策略梯度的 RIS 相移控制算法，以同时构建或重构通信网络链接，通过基于 MobileNet 的多视角学习进行了仿真实验，验证了分布式 FL 框架的效率。

Mar, 2024

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

CFLIT：共存联邦学习和信息传输

该论文提出了一种用于移动边缘网络中联合学习和信息传输的通信框架，利用超载性质实现了多设备同时连接的联邦学习模型上传，通过对计算和通信比率的优化来确保联邦学习模型的收敛性能，从而显著降低了通信成本。

Jul, 2022

空中联邦学习：现状、挑战和未来方向

本文综述了 OTA-FL 技术的发展和应用，并从系统设置、安全与隐私等方面对 OTA-FL 进行分类和分析，提出了未来 OTA-FL 系统性能、可靠性和可信度的挑战和发展方向。

Jul, 2023

利用联邦学习和边缘计算在云计算网络中进行推荐系统

通过将人工智能（AI）与边缘计算相结合，边缘智能利用终端设备和边缘服务器的计算和通信能力，在数据产生的地方进行处理，从而实现人工智能的大规模和高效部署。其中一项关键技术是隐私保护的机器学习范式 Federated Learning（FL），该范式使数据所有者能够在无需将原始数据传输到第三方服务器的情况下训练模型。然而，FL 网络预计涉及成千上万个异构分布式设备，因此通信效率仍然是一个关键瓶颈。为了减少节点故障和设备退出，提出了一种分层联邦学习（HFL）框架，其中指定的集群领导者通过中间模型聚合支持数据所有者。因此，基于改进的边缘服务器资源利用，本文可以有效弥补缓存容量的限制。为了减轻软点击对用户体验质量（QoE）的影响，作者将用户 QoE 建模为综合系统成本。为解决这个公式化问题，作者提出了一种具有联邦深度强化学习（DRL）和联邦学习（FL）的分散式缓存算法，其中多个代理独立学习并做出决策。

Mar, 2024