Jul, 2023

空中联邦学习：现状、挑战和未来方向

PDF
TL;DR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。
artificial intelligencewireless networksover-the-air federated learningsystem settingssecurity and privacy
发现论文，激发创造
  • 异构数据的无线联邦学习

    本文介绍了一种名为 Convergent OTA FL 的 Federated learning 算法，通过引入预编码和缩放，逐步缓解了 OTA FL 中通道噪声对优化过程的影响，并分析了其收敛率和在统计异构设置下的效果。

    Sep, 2020

  • 个性化面向个性化重构智能表面的无线联邦学习

    我们提出了第一个个性化的 OTA-FL 方案，通过多任务学习以及用户个人可重构智能表面（RIS）的协助，平衡了具有不同数据集的用户的性能，解决了现实生活中数据异质性问题。我们的 PROAR-PFed 算法通过优化通信和计算资源，针对时变信道中的全局和个性化任务，在非独立同分布数据的情况下，自适应地设计功率、本地迭代和 RIS 配置。通过收敛性分析，我们证明 PROAR-PFed 在 Fashion-MNIST 数据集上胜过现有的最先进方法。

    Jan, 2024

  • 无线异构条件下的偏倚空中联邦学习

    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

  • 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

  • CFLIT：共存联邦学习和信息传输

    该论文提出了一种用于移动边缘网络中联合学习和信息传输的通信框架，利用超载性质实现了多设备同时连接的联邦学习模型上传，通过对计算和通信比率的优化来确保联邦学习模型的收敛性能，从而显著降低了通信成本。

    Jul, 2022

  • 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

  • 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

  • 通过近似计算的混合精度无线联邦学习

    我们提出了一种基于近似计算的 OTA-FL 框架，通过优化量化性能平衡、开发异构梯度分辨率 OTA-FL 调制方案，实现了异构边缘计算环境中的 OTA-FL，并能够以 50% 更快和更平滑的服务器收敛速度和性能增强方式，比同质化精度方法更好地满足最低精度客户的要求。

    Jun, 2024

  • 中继辅助的合作式联邦学习

    介绍了一种利用中继增强联邦学习效率的方案，利用无线超定理传输实现局部模型更新上传，通过交替优化算法进行转发器和中继操作的优化，单中继情况下实现模型聚合误差更小。

    Jul, 2021

  • 边缘智能空中操作：联邦学习中干扰的两面

    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。

    Jun, 2023