本研究提出了一种数字无线计算方案，用于实现联合边缘学习的连续值（模拟量）聚合，利用该方案对局部随机梯度进行编码，通过非相干接收机和自适应绝对最大值的概念，实现了优异的测试准确度。

Oct, 2022

通过将本地梯度归一化，改进了过程中最相关工作对于放大因子选择的假设不准确的问题，同时在平滑和强凸损失函数的情况下，提出的方法能够以次线性或线性速率收敛到稳定点，还发现了收敛速率和容差之间的权衡，并通过优化系统参数加快了收敛速度，实验结果表明该方法在收敛性能上优于基准方法。

Aug, 2023

本研究提出了一种通用的同步方法，允许一组软件定义无线电通过在接收和发送方向探测同步波形并联合控制处理系统中的 DMA 块，而在维持相应辅助计算机中的基带处理的同时传输或接收任何正交数据，并运用此同步方法在一组低成本的 SDRs 上实现了基于 FSK 的多数投票计算方案，并引入了相应的过程。通过我们的实验，我们展示了在不使用边缘设备上的信道状态信息的条件下，对于同质和异质数据分布，测试准确性可以达到 95% 以上。

Sep, 2022

本文研究了具有不完美信道状态信息的正交频分复用系统中，通过多个子载波同时发送信号进行分布式功能计算的无线设备的发射系数和访问点的接收波束成形向量的联合优化问题。

Jul, 2023

在这项研究中，我们针对多路径 fading 信道进行了联合边缘学习的研究，通过引入一种创新的数字过空中计算策略，采用 q 进制正交幅度调制，提出了一种低时延通信方案。我们分析了消除无线通信中的 fading 所需的天线数量，并通过数值实验证实了理论的保证，证明了边缘服务器增加天线数量和采用高阶调制可以提高模型准确性达到 60％。

Nov, 2023

本研究中，我们提出了一种在无线网络上实现联邦 K - 均值聚类算法时减少每轮通信延迟的无线计算方案。该方案利用编码器利用平衡数系的数值表示和无线多址信道非相干超定位属性来计算联邦 K - 均值的更新总和，以消除对精确相位和时间同步的需求。此外，我们提出了一种重新初始化方法来改进处理异构数据分布的性能。通过客户位置聚类场景的实验证明了该算法的性能，并与标准 K - 均值聚类进行比较。结果显示，该方法在减少通信延迟的同时与标准 K - 均值聚类的性能相似。

Aug, 2023

研究将分布式随机梯度下降算法应用于无线网络中的性能表现，探讨对传输干扰和噪声等方面进行优化的方法，选用 OAC-MAC 算法来实施无线计算，并将调度问题转化为图着色问题，并通过 MNIST 图像分类任务的实验来验证方法的可行性和有效性。

Mar, 2020

提出了一种通过无线信道共享本地信息并使用接收到的聚合波形来更新策略参数的无线联合策略梯度算法，并研究了噪声和信道失真对算法收敛性的影响，确定了通信和采样的复杂度以找到一个近似稳定点，并通过模拟结果展示了算法的有效性。

Oct, 2023

本文提出了首个基于正交频分复用（OFDM）的数字化无线计算（AirComp）系统，该系统适用于多个边缘设备同时传输模型数据，使用非正交无线资源，并且边缘服务器直接从叠加信号聚合数据。

Dec, 2022

在联邦学习中，通过动态功率控制的 AirComp 方案进一步保护模型权重隐私并提高模型性能，边缘设备通过激活相邻正交频分复用（OFDM）子载波传输本地随机梯度的符号，通过能量在子载波上的积累获得边缘服务器的多数表决，然后通过动态功率控制算法进一步抵消多数表决聚集值的偏差，整个方案能够减轻时间同步误差、信道衰落和噪声带来的影响，该方案的理论收敛性证明得到重新推导。

Aug, 2023