无线电波传输下的大规模 MIMO 如何支持多个联邦学习群组？

MMJul, 2021

无线电波传输下的大规模 MIMO 如何支持多个联邦学习群组？

How Does Cell-Free Massive MIMO Support Multiple Federated Learning Groups?

Tung T. Vu, Hien Quoc Ngo, Thomas L. Marzetta, Michail Matthaiou

TL;DR该研究提出了一种基于无小区大规模 MIMO 的方案，通过多点协作和异步执行，支持不同学习目的的多个联邦学习群组同时稳定运行，并且优化资源分配以把每个联邦学习过程中的执行时间最小化。

Abstract

federated learning (FL) has been considered as a promising learning framework for future machine learning systems due to its privacy preservation and communication efficiency. In beyond-5G/6G systems, it is likely to have multiple FL groups with different learning purposes. This scenar

federated learning cell-free massive mimo multicast downlink asynchronous execution resource allocation

发现论文，激发创造

无线联邦学习的无细胞 massive MIMO

本文提出了一种基于 CFmMIMO 网络的联邦学习方案来最小化联邦学习训练时间，该方案优化了本地准确性，传输功率，数据速率和用户处理频率等参数，并使用在线逐次凸近似算法来解决这个问题。数值结果证实，所提出的联合设计相比基线方案，将训练时间降低了最多 55％，而且与 CF-TDMA massive MIMO 和 collocated massive MIMO 相比，CFmMIMO 在 FL 进程的训练时间方面具有最低的要求。

Sep, 2019

蜂窝式大规模 MIMO 网络中联合能量和时延优化的联邦学习

在本文中，我们提出了一种基于协调梯度下降法的在 CFmMIMO 上进行 FL 的上行功率分配方案，通过考虑每个用户的功率对其他用户的能量和延迟的影响，共同最小化用户的上行能量和 FL 训练的延迟。数值结果显示，我们提出的方法在限定的上行能量和延迟预算下，在测试准确性方面将最大和最小求和速率的已知方法分别提高了最多 27% 和 Dinkelbach 方法的最大最小能量效率提高了最多 21%。

Apr, 2024

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

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

毫米波大规模 MIMO 中混合波束成形的联邦学习

本文介绍了一种基于联邦学习的混合波束赋形框架，利用卷积神经网络，通过收集用户的梯度来训练基站的模型，从而在减少数据集传输量和保证隐私的前提下，实现了在信道数据中实现模拟波束赋形，数值模拟表明这种方法具有比集中式机器学习更好的容错性和较小的传输开销。

May, 2020

可扩展无线电脱耦大规模天线阵列的结构化大规模访问

本文提出了一种新的结构化大规模接入算法框架，包括一种初始接入算法、一种部分大尺度衰落解码策略、两种导频分配方案和一种分式功率控制策略，模拟结果表明，该框架在局部部分最小均方误差 (LP-MMSE) 和最大比例 (MR) 合并时提供了高的谱效率。

Jun, 2020

无线网络异步多模型联邦学习：理论、建模和优化

本文提出了一种应用于多个下游任务的异步模型传输的联邦学习方法，通过引入调度张量来表征设备调度，并通过收敛性分析探究了资源分配、设备调度和个体模型状态等对机器学习性能的影响，进而通过非凸混合整数优化问题来调整资源分配和设备调度，以在能量消耗和性能之间达到高效平衡，并通过数值模拟揭示了该方法在模型性能和网络资源节约方面的优势。

May, 2023

多小区无线网络中基于空中联邦学习的干扰管理

本文针对多小区无线网络下的联邦学习任务，提出使用 AirComp 进行上行梯度聚合以实现更快的学习过程，并基于对干扰的控制和优化，推导出协作多小区 FL 优化框架，在不同 FL 任务之间权衡学习性能，实现了比非协作基线方案更好的平均学习性能。

Jun, 2022

利用联邦学习改变无线网络：全面回顾

通过提出的机器学习模型联邦学习（FL），本文讨论了机器学习在无线通信中的重要性，并强调 FL 在未来移动网络中，尤其是 6G 及以上的关键作用。

Aug, 2023

传统和 RIS 辅助的大规模 MIMO 通道估计的联邦学习

本文提出了一种基于联邦学习和卷积神经网络的信道估计框架，通过联邦学习的方式训练本地数据集上的模型，减少了数据收集的通信开销，并成功运用到了传统和智能反射表面辅助的 massive MIMO 系统中，同时提高了估计准确性并大大降低了通信开销。

Aug, 2020