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

该研究论文探讨了将 over-the-air-computation 技术用于下一代多天线多模传感器网络，特别是设计用于多功能 AirComp 的波束成形和信道反馈技术，其中接收波束成形的优化是通过紧缩传输功率约束的近似问题使用微分几何来求解的。

Mar, 2018

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

本文介绍一种基于超定性数据信道中数据传输和计算联合进行的方法 ——AirComp，以提高物联网（IoT）中大型数据应用的计算效率和能源效益，并探讨了最低计算平均误差和平均功耗下的方法优化问题。

Sep, 2019

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

该研究提出了一种支持数字调制的端到端通信系统，旨在克服数字调制的 AirComp 中精确解码总和信号的挑战，通过使用自编码器网络结构和发射机、接收机组件的共同优化，填补了数字调制的 AirComp 情景中精确解码总和信号的重要空白，可以推动联邦学习在当代无线系统中的部署。

Apr, 2024

本文提出了一种基于 UMAirComp 框架的的边缘联邦学习方式，该框架可利用模拟波束成形同时上传本地模型参数并更新全局模型参数，从而避免了复杂的基带信号处理，大大降低了通信延迟和实现成本。此外，还提出了一种面向非凸非光滑损失约束下的低复杂度大规模优化算法 PAM 和 AGP，并在基于 UMAirComp 框架的边缘联邦学习系统中获得较小的均方误差、训练损失和测试误差。最后，本文通过在车联网驾驶模拟平台中的测试表明，UMAirComp 系统对于自主驾驶任务比其他任务更加敏感由于自主行驶的神经网络包含更加稀疏的模型参数。

Jan, 2021

本文涵盖了聚合分布式的 IoT 网络中的数据、Over-The-Air Computing、多输入多输出（MIMO）、降维 MIMO 和频道反馈等主题。通过引入减少空间维度的分解聚合波束赋型 (DAB) 框架，本文更深入探讨了这些主题。

Dec, 2018

本文提出了一种针对多设备分裂推理系统的任务导向的空中计算（AirComp）方案，旨在最大限度地减少聚合误差并最大化推理准确性。

Nov, 2022