我们在本文中提出了一个中继辅助的大规模联邦学习框架以及在功耗和均方误差限制下的设备调度问题,我们将优化问题转化为多个稀疏优化问题以最大化调度设备数量。模拟结果表明,与其他基准方案相比,所提出的方案的有效性。
Dec, 2023
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
近期,无线通道超插值特性在 Over-the-Air(OTA)计算中被应用于快速模型更新的有前景的联邦学习(FL)范式。本文针对 OTA-FL 收敛进行了 OTA 设备预缩放器的设计研究,并通过数值评估表明,最小化 FL 更新的方差并允许一定偏差的 OTA 设备预缩放器可以带来显著的收益。
Mar, 2024
联合优化基站和移动设备的信号放大因子以及每个移动设备参与本地训练的数据量,提出了一种减少均方误差的方法,有助于改善联合学习的训练性能。
Aug, 2023
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
通过调度大部分设备使用 OTA 方案,同时偶尔使用数字方案来训练机器学习模型,ADFL 方案在 i.i.d 和非 i.i.d 环境中始终优于仅使用 OTA 和仅使用数字方案。
Feb, 2024
提出了一种基于超过空气计算的方法,探索了无线多接入通道的叠加属性,用于边缘机器学习中的快速全局模型聚合。
Dec, 2018
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
研究了 Air-FEEL 系统中的传输功率控制,通过最大化收敛速度的方法优化功率控制策略,并使用拉格朗日对偶方法得到了优化解,结果表明该策略比传统策略实现了更快的收敛速度。
Jun, 2021
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。