通过因果表示进行可重构智能表面联合学习游戏

Jun, 2023

通过因果表示进行可重构智能表面联合学习游戏

Federated Learning Games for Reconfigurable Intelligent Surfaces via Causal Representations

Charbel Bou Chaaya, Sumudu Samarakoon, Mehdi Bennis

TL;DR本论文提出了一种基于因果关系学习和不变风险最小化的 Reconfigurable Intelligent Surface 相移配置方法，通过多个神经网络模型在不同环境下预测最佳相位值并实现了 15% 的预测精度提升。

Abstract

In this paper, we investigate the problem of robust Reconfigurable Intelligent Surface (RIS) phase-shifts configuration over heterogeneous communication environments. The problem is formulated as a distributed learning problem over different environments in a federated learning (FL) se

reconfigurable intelligent surface federated learning invariant risk minimization neural networks causality-based learning

发现论文，激发创造

通过不变风险和因果表示实现稳健的可重构智能表面

研究了鲁棒的可重构智能面（RIS）系统设计问题，并采用不变风险最小化（IRM）的概念，在多个环境中使用不变的因果表示，以使预测器对于每个环境都是同时最优的，结果表明，利用不变性可以提供更加稳健的防范未知环境和分布之外的测试。

May, 2021

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

FL Games：一种用于分布偏移的联邦学习框架

本文提出了 FL Games，这是一个博弈理论框架，旨在通过学习跨领域不变关系来改善联邦学习中的预测模型泛化，FL Games 在多个基准测试中展现了高超的领域外表现。

May, 2022

无线网络中多重可重构智能表面的相位配置学习

本文研究了一种低复杂度的反射智能表面的相位配置算法，利用监督学习的方法构建多层感知神经网络来快速计算反射表面的相位，并通过模拟实验验证了该算法对网络性能提升的有效性。

Oct, 2020

基于 RIS 的城市空中交通分布式学习拓扑控制

本文通过利用可重构智能表面（RIS）的拓扑属性来促进学习性能并获得收敛保证，探索了分布式学习的相关问题，并提出了用于优化传输延迟和收敛速度的几个联邦学习拓扑准则。同时，本文还开发了基于深度确定性策略梯度的 RIS 相移控制算法，以同时构建或重构通信网络链接，通过基于 MobileNet 的多视角学习进行了仿真实验，验证了分布式 FL 框架的效率。

Mar, 2024

利用深度强化学习优化多用户 MISO 系统的可重构智能面

本文研究了利用可重构智能表面 (RIS) 反射阵列所协助的 MIMO 传输，通过深度强化学习 (DRL) 基于试错交互获得基站传输波束和 RIS 相位移位的联合设计。仿真结果表明，该算法学习能力逐渐提高，与两个最新的基准算法相比表现相当。

Feb, 2020

可重构智能表面辅助无线联邦学习：平衡准确性和完整性

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。

Jul, 2022

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

用于 B5G 网络的元表面 AI 辅助 RIS 规划的实用性解锁

该论文介绍了可重构智能表面（RIS）的应用，重点在于解决无覆盖区域的问题，并提出了一种基于深度强化学习的解决方案，名为 D-RISA，通过该方案能够实现最优的 RIS 部署。在法国雷恩火车站的室内场景中验证了该框架，与现有方法相比，该框架展示了更好的覆盖，即最小信噪比提高 10 dB，计算时间更短（高达 25％），并提高了对更密集网络部署的可扩展性。

Oct, 2023

FedCiR：面向联邦非 IID 特征的客户端不变表示学习

提出了一种名为 FedCiR 的客户端不变表示学习框架，通过改进表示和标签之间的互信息项，以及减少客户集和表示之间在标签条件下的互信息项，实现提取信息性和客户端不变的特征，通过两个正则化项来限制近似全局表示分布的互信息项以弥补缺失的真实全局表示分布，进而实现了解决数据异质性和实现客户端不变表示学习的目标。

Aug, 2023