Aug, 2023

无线联邦 $k$- 均值聚类与非相干无线计算

PDF
TL;DR本研究中，我们提出了一种在无线网络上实现联邦 K - 均值聚类算法时减少每轮通信延迟的无线计算方案。该方案利用编码器利用平衡数系的数值表示和无线多址信道非相干超定位属性来计算联邦 K - 均值的更新总和，以消除对精确相位和时间同步的需求。此外，我们提出了一种重新初始化方法来改进处理异构数据分布的性能。通过客户位置聚类场景的实验证明了该算法的性能，并与标准 K - 均值聚类进行比较。结果显示，该方法在减少通信延迟的同时与标准 K - 均值聚类的性能相似。
over-the-air computationfederated k-means clustering algorithmcommunication latencywireless networkreinitialization method
发现论文，激发创造
  • 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

  • 基于平衡数制的联邦边缘学习的无线计算

    本研究提出了一种数字无线计算方案，用于实现联合边缘学习的连续值（模拟量）聚合，利用该方案对局部随机梯度进行编码，通过非相干接收机和自适应绝对最大值的概念，实现了优异的测试准确度。

    Oct, 2022

  • 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

  • 平衡数字上的无线计算

    本文提出了一种数字化无线计算方案，使用均衡数系统中相应数字的平均值来近似计算一组实数参数的平均值，并使用该方案将本地梯度编码为一组数字，以确定活动的正交频分复用子载波的位置，同时不需要精确的采样级时间同步、信道估计开销和功率不稳定性，并演示其在联邦边缘学习（FEEL）中的性能。

    Sep, 2022

  • 联邦边缘学习无线计算演示

    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

  • 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

  • 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

  • 无线联邦策略梯度

    提出了一种通过无线信道共享本地信息并使用接收到的聚合波形来更新策略参数的无线联合策略梯度算法，并研究了噪声和信道失真对算法收敛性的影响，确定了通信和采样的复杂度以找到一个近似稳定点，并通过模拟结果展示了算法的有效性。

    Oct, 2023