利用无线计算的联邦学习学习率优化

Feb, 2021

利用无线计算的联邦学习学习率优化

Learning Rate Optimization for Federated Learning Exploiting Over-the-air Computation

Chunmei Xu, Shengheng Liu, Zhaohui Yang, Yongming Huang, Kai-Kit Wong

TL;DR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。

Abstract

federated learning (FL) as a promising edge-learning framework can effectively address the latency and privacy issues by featuring distributed learning at the devices and model aggregation in the central server. In order to enable efficient wireless data aggregation, →

federated learning over-the-air computation dynamic learning rate miso mimo

发现论文，激发创造

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

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

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

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

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

宽带通信中的空中联邦学习

本文提出一种新的方法，将联合学习与 MIMO 系统的内部工作无缝集成，实现隐私保护的分布式机器学习.

Jun, 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

基于无线设备间网络的联邦学习算法与收敛分析

该研究探讨了基于设备对设备（D2D）网络的联邦学习，在分布式随机梯度下降算法实现中，利用随机线性编码和空中计算的数字和模拟传输方案进行通信效率的改进，并且在假设凸性和连通性的情况下提供了收敛性结果。

Jan, 2021

通过无线计算进行联邦学习

提出了一种基于超过空气计算的方法，探索了无线多接入通道的叠加属性，用于边缘机器学习中的快速全局模型聚合。

Dec, 2018

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