Jun, 2021

面向无线联邦边缘学习的优化功率控制设计

PDF
TL;DR研究了 Air-FEEL 系统中的传输功率控制，通过最大化收敛速度的方法优化功率控制策略，并使用拉格朗日对偶方法得到了优化解，结果表明该策略比传统策略实现了更快的收敛速度。
over-the-air federated edge learningpower controlconvergence speedoptimality gapslagrangian duality method
发现论文，激发创造
  • 盲联邦边缘学习

    本文研究边缘设备协作学习中的无线联邦学习，其中利用无线接入点作为参数服务器，使用 “over-the-air” 聚合方案实现全局模型的积极性和设备间的协作，通过使用接收波束成形方案来补偿缺乏完美信道状态信息带来的破坏效应，证明该算法在具有足够天线数量的情况下可以改善其性能。

    Oct, 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

  • 基于一比特信令的无线网络聚合通信的边缘计算联邦学习算法：设计与收敛分析

    本文提出了一种数字宽带聚合方案，称为单比特数字宽带聚合（OBDA），用以解决多设备使用同一通信媒介所带来的通信瓶颈问题，并对其在无线信道干扰下的收敛速率进行综合分析。

    Jan, 2020

  • 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

  • 基于平衡数制的联邦边缘学习的无线计算

    本研究提出了一种数字无线计算方案，用于实现联合边缘学习的连续值（模拟量）聚合，利用该方案对局部随机梯度进行编码，通过非相干接收机和自适应绝对最大值的概念，实现了优异的测试准确度。

    Oct, 2022

  • 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

  • 基于流数据的能效联合边缘学习：一种 Lyapunov 优化方法

    通过动态调度和资源分配算法解决异构数据和时间变化目标函数下，在长期能量限制条件下，流式数据随机生成和资源可用性的固有随机性，并通过仿真结果验证了所提出方案相对于基准方案的学习性能和能效的提高。

    May, 2024

  • 通过空中计算的半异步联邦边缘学习机制

    本文提出了一种使用 AirComp 方案的半异步聚合 FEEL 机制 (PAOTA)，以提高 FEEL 系统的训练效率，并通过模拟结果表明，相对于理想的本地 SGD 和 AirComp 的同步 FEEL 算法，PAOTA 在达到相同目标精度时所需的训练时间更短且收敛性能接近于本地 SGD。

    May, 2023

  • 无线联邦策略梯度

    提出了一种通过无线信道共享本地信息并使用接收到的聚合波形来更新策略参数的无线联合策略梯度算法，并研究了噪声和信道失真对算法收敛性的影响，确定了通信和采样的复杂度以找到一个近似稳定点，并通过模拟结果展示了算法的有效性。

    Oct, 2023

  • 通过削峰压控实现带压缩的空中协作学习的收敛分析

    本文提出了基于范数剪切的空中联邦学习机制，称作 AirFL-Clip 和 AirFL-Clip-Comp，并且为这两种机制提供了收敛性分析，支持离线评估。同时，作者扩展了这两种机制，支持 Top-k 稀疏化和线性压缩。通过实验证明，这个方法可以有效地解决无线通信下联邦学习的能耗和带宽限制问题。

    May, 2023