MMJun, 2023

边缘智能空中操作：联邦学习中干扰的两面

PDF
TL;DR该论文综述了使用模拟空中计算技术进行联邦边缘学习系统的正负影响和潜在问题。空中计算技术在快速聚合中间参数和实现（几乎）无限可扩展性方面具有优势，但无线通信引入的干扰也会影响模型训练过程的各个方面，同时其重要性尚未得到很好的认识。
federated edge learninganalog over-the-air computationsinterferencescalabilityprivacy protection
发现论文，激发创造
  • 具备干扰和数据异质性认知的分层无线联邦学习

    这项研究提出了一种用于解决分层联邦学习在无线网络中可扩展性和干扰、设备数据异质性的挑战的学习方法，并通过优化的接收器归一化因子来减小干扰的影响。通过使用随机几何建模多簇无线网络并将聚合估计的均方误差作为网络参数的函数进行表征，论文证明了在干扰和数据异质性的情况下，所提出的方案实现了较高的学习准确性，并且可以显著优于传统的分层算法。

    Jan, 2024

  • 基于无线网络的空中计算联合学习

    提出了一种不需要复杂编码 - 解码方案来重建信道系数，从而提高多智能体系统中联合学习的效率和隐私保护的方法。

    May, 2023

  • 通过无线计算进行联邦学习

    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

  • 多服务器无线联邦学习

    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

  • 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

  • 通过无线信道进行的 q-QAM 盲联合学习

    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

  • 宽带通信中的空中联邦学习

    本文提出一种新的方法，将联合学习与 MIMO 系统的内部工作无缝集成，实现隐私保护的分布式机器学习.

    Jun, 2023

  • 多小区无线网络中基于空中联邦学习的干扰管理

    本文针对多小区无线网络下的联邦学习任务，提出使用 AirComp 进行上行梯度聚合以实现更快的学习过程，并基于对干扰的控制和优化，推导出协作多小区 FL 优化框架，在不同 FL 任务之间权衡学习性能，实现了比非协作基线方案更好的平均学习性能。

    Jun, 2022

  • 频谱呼吸：保护空中联邦学习免受干扰

    该研究提出了一种名为 Spectrum Breathing 的方法用于保护在移动网络中分布式学习模型的有效性并降低干扰，该方法整合了随机梯度剪枝和扩频技术来达到最佳控制参数并实现收敛分析，在实验中表现出良好的性能。

    May, 2023

  • 无线联邦学习与优化

    使用过空中计算的联邦学习方法，研究了在无线网络上进行联邦学习时由于信道衰落和噪声引起的模型聚合误差，包括收敛性、影响、收敛速率、传输方案和通信效率等方面，并通过仿真验证了理论结论。

    Oct, 2023