多小区无线网络中基于空中联邦学习的干扰管理
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
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
研究了在现实无线网络上训练联邦学习算法的问题,提出了一种联合学习、无线资源分配和用户选择的优化问题,并获得了期望收敛速率的闭式表达式,从而实现最小化 FL 损失函数的最优用户选择和上行资源块分配。
Sep, 2019
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
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
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
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。
Feb, 2021
这项研究提出了一种用于解决分层联邦学习在无线网络中可扩展性和干扰、设备数据异质性的挑战的学习方法,并通过优化的接收器归一化因子来减小干扰的影响。通过使用随机几何建模多簇无线网络并将聚合估计的均方误差作为网络参数的函数进行表征,论文证明了在干扰和数据异质性的情况下,所提出的方案实现了较高的学习准确性,并且可以显著优于传统的分层算法。
Jan, 2024
本文针对数据异构性与无线资源分配相结合的无线联邦学习问题,提出了性能分析与优化的方法,在考虑数据异构性的同时,优化客户端调度、资源分配和本地训练轮数,通过实验验证了该算法在学习准确性和能量消耗方面的优势。
Aug, 2023