中继辅助的合作式联邦学习

MMJul, 2021

Relay-Assisted Cooperative Federated Learning

Zehong Lin, Hang Liu, Ying-Jun Angela Zhang

TL;DR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。

Abstract

federated learning (FL) has recently emerged as a promising technology to enable artificial intelligence (AI) at the network edge, where distributed mobile devices collaboratively train a shared AI model under the coordination of an edge server. To significantly improve the communicati

federated learning over-the-air computation relay-assisted cooperative scheme model aggregation error optimization

发现论文，激发创造

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

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

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

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

多服务器无线联邦学习

本文提出了一种基于聚类的两层联邦学习算法，使用可扩展的聚类无线聚合方案实现算法的上行传输，使用适用于带宽受限的广播方案进行下行传输，展示了在干扰环境下该方法的高精度学习表现并导出该方法的收敛界。

Nov, 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

联合定价与合作中继通信用于联邦学习

采用中继网络构建合作通信平台支持模型更新传输和交易的博弈模型研究。

Nov, 2018

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

无线网络上高效计算与通信的联邦学习

通过将学习模型分为全局部分和个性化部分，以实现模型剪枝和个性化，本文提出了一种解决异构设备数据、计算和通信延迟以及非独立同分布数据的联邦学习框架，并通过数学分析研究了其收敛性、计算和通信延迟，并最终通过优化问题得到了剪枝比例和无线资源分配的闭式解。实验结果表明，相比只进行模型个性化的方案，该框架能够显著减少约 50％的计算和通信延迟。

Sep, 2023

半联邦学习：混合学习框架的收敛分析与优化

通过提出一种半联合学习（SemiFL）范式，将基站（BS）和设备的计算能力结合起来，实现集中式学习（CL）和联邦学习（FL）的混合实施。通过设计一种新颖的收发器结构，将空中计算和非正交多址接入应用于聚合和传输，提高了通信效率，并证明了 FL 和 CL 是 SemiFL 的特例。然后，通过联合优化发送功率和接收波束形成器来减小最优性差距，并提供了解析解。两个真实数据集上的广泛模拟实验结果证实了我们的理论分析，并显示相比于最先进的基准，所提出的 SemiFL 在 MNIST 数据集上取得了 3.2% 的准确度提高。

Oct, 2023