可重构智能表面辅助无线联邦学习：平衡准确性和完整性

MMJul, 2022

可重构智能表面辅助无线联邦学习：平衡准确性和完整性

Balancing Accuracy and Integrity for Reconfigurable Intelligent Surface-aided Over-the-Air Federated Learning

Jingheng Zheng, Hui Tian, Wanli Ni, Wei Ni, Ping Zhang

TL;DR本研究提出了一种新颖的框架，使用可重构智能表面（RIS）进行联合优化，解决了无线联邦学习（AirFl）中本地模型可靠性保持以及全局精度之间的权衡问题。该框架利用波束成形器和 CSI 信息通过联合优化解决了该问题。在实验中，该框架在仍能保持本地模型可靠性的情况下实现了与理想 FL 相当的准确性。

Abstract

over-the-air federated learning (AirFL) allows devices to train a learning model in parallel and synchronize their local models using over-the-air computation. The integrity of AirFL is vulnerable due to the obscurity of the local models aggregated over-the-air. This paper presents a n

over-the-air federated learning model integrity reconfigurable intelligent surface beamformers channel state information

发现论文，激发创造

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

智能反射面实现联邦学习

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

个性化面向个性化重构智能表面的无线联邦学习

我们提出了第一个个性化的 OTA-FL 方案，通过多任务学习以及用户个人可重构智能表面（RIS）的协助，平衡了具有不同数据集的用户的性能，解决了现实生活中数据异质性问题。我们的 PROAR-PFed 算法通过优化通信和计算资源，针对时变信道中的全局和个性化任务，在非独立同分布数据的情况下，自适应地设计功率、本地迭代和 RIS 配置。通过收敛性分析，我们证明 PROAR-PFed 在 Fashion-MNIST 数据集上胜过现有的最先进方法。

Jan, 2024

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

中继辅助的合作式联邦学习

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。

Jul, 2021

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

面向无线联邦学习的通道和梯度重要性感知设备调度

本研究提出一种名为 PO-FL 的概率设备调度框架，以缓解通道噪声的负面影响，在模型对聚合过程中使用该概率重量进行重新加权，通过经验分析得出结论：设备调度通过通信失真和全局更新方差影响学习性能。通过基于收敛性分析，进一步开发了基于渠道和梯度重要性感知的算法，以优化 PO-FL 中的设备调度概率。广泛的仿真结果表明，基于渠道和梯度重要性感知的 PO-FL 框架可以实现更快的收敛速度，并产生优于基准方法的模型。

May, 2023

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

大规模网络中的随机汇总波束赋形超空接联邦学习

在本文中，我们考虑了一种联合设备选择和聚合波束成形设计的问题，目标是最小化聚合误差和最大化选择的设备数量，提出了一种基于随机采样的聚合波束成形方案，并使用渐近分析研究了当设备数量增多时，聚合误差和选择的设备数量。通过大量的模拟结果证明了提出的随机聚合波束成形方案和改进方法的有效性。

Feb, 2024

在无线联邦学习中平衡能效和分布鲁棒性

通过融合设计用于节能和分布鲁棒性的确定性和概率方法，本文提出了一种保证分布式鲁棒联邦学习的能量效率的新方法，并且通过模拟结果展示了与基准方法相比，在鲁棒性和能量效率两个方面都具有优异性能，达到了超过基准方法 3 倍的能量节省。

Dec, 2023