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

本文提出了一种基于压缩感知的联邦学习算法，通过传输策略构造稀疏的梯度向量信号，利用压缩感知算法迭代地求解线性最小均方误差 (LMMSE) 估计量。通过仿真实验，证明了该方法在无线设备通信系统中具有比传统线性波束赋形方法更好的性能，并减小了联邦学习和中央学习的性能差距。

Mar, 2020

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

本文目的在于探讨在何种场景下，数据驱动的机器学习可以超越传统的 MIMO 收发器，并展示了多种场景中 ML 的性能表现，其中包括闭环 MIMO，开环 MIMO 和多用户 MIMO，并提供了相应神经网络模型的代码实现。

May, 2020

本文提出了一种用于增强多输入多输出（MIMO）无线系统中联邦学习（FL）通信效率的新方法。该方法基于交替最小二乘算法，利用低秩矩阵分解策略对本地梯度压缩进行过空中计算和误差反馈。所提出的协议被称为空中低秩压缩（Ota-LC），在保证相同推理性能的同时，相比现有基准方案具有更低的计算成本和通信开销。以 Cifar-10 数据集为例，当目标测试准确度为 80% 时，Ota-LC 相比基准方案至少可以降低 30% 的总通信开销，并将计算复杂度的阶数降低到梯度维度之和的倍数。

Jan, 2024

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

论文提出了一种新颖的基于无监督深度学习的物理层方案，该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力，其考虑了空间多样性和空间复用技术，并将无线信道失真模型引入自编码器优化问题中。

Jul, 2017

本文提出了一种公平性感知的梯度稀疏化方法，以及一种自适应梯度稀疏化技术，能够在控制梯度稀疏度的情况下，最小化整体训练时间，实验结果表明，相对于传统方法，通过本文所提方法，能够在有限的训练时间内提升 40% 的模型准确度。

Jan, 2020

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

通过设计基于随机稀疏化算法的梯度稀疏化联邦学习框架，该框架在无线信道上进行训练，提升了训练效率且不牺牲收敛性能，同时降低了差分隐私所引起的性能下降和无线信道传输参数数量。

Apr, 2023