- 基于自编码器的无线联邦学习中的 AirComp 星座设计
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 - MM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 - 提升无线联邦学习中的公平性和鲁棒性
我们提出了一种基于 Over-the-Air 的联邦学习算法,通过最小最大优化以实现公平性和稳健性,无需复杂的编码 - 解码方案即可收敛于最优解,提高了效率和隐私。
- 通过格状联合源信道编码的联邦学习
该论文介绍了一种通用的联邦学习框架,通过数字通信实现空中计算,使用了一种新的联合源通道编码方案。该方案不依赖于设备的信道状态信息,采用晶格码来对模型参数进行量化,并利用设备的干扰。服务器上设计了一种新颖的两层接收器结构,可可靠地解码量化的模 - 无线网络上联合学习的数字与模拟传输对比
比较无线联合学习中的数字和模拟通信方案,在资源受限网络中量化比较了它们的主要区别和应用场景,研究发现两种方案的基本区别在于是否联合设计了通信和计算,其中数字方案难以支持带宽有限的大量设备的同时上行传输,而模拟通信允许空中计算,实现了高效的频 - 模拟数字调度在联邦学习中的应用:一种高效通信的方法
通过调度大部分设备使用 OTA 方案,同时偶尔使用数字方案来训练机器学习模型,ADFL 方案在 i.i.d 和非 i.i.d 环境中始终优于仅使用 OTA 和仅使用数字方案。
- 联邦学习中中继辅助无线聚合的设备调度
我们在本文中提出了一个中继辅助的大规模联邦学习框架以及在功耗和均方误差限制下的设备调度问题,我们将优化问题转化为多个稀疏优化问题以最大化调度设备数量。模拟结果表明,与其他基准方案相比,所提出的方案的有效性。
- 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。
- MM半联邦学习:混合学习框架的收敛分析与优化
通过提出一种半联合学习(SemiFL)范式,将基站(BS)和设备的计算能力结合起来,实现集中式学习(CL)和联邦学习(FL)的混合实施。通过设计一种新颖的收发器结构,将空中计算和非正交多址接入应用于聚合和传输,提高了通信效率,并证明了 FL - 通过无线传输计算的联邦线性赌博学习
本文研究了无线系统中的联邦上下文线性赌博学习,旨在通过减少通信开销和数值实验证明我们提出的方案在各种设置中在遗憾界限方面具有竞争性能表现。
- 联合功率控制与数据大小选择用于辅助联邦学习的空中计算
联合优化基站和移动设备的信号放大因子以及每个移动设备参与本地训练的数据量,提出了一种减少均方误差的方法,有助于改善联合学习的训练性能。
- 利用标准化梯度聚合的无线计算辅助联邦学习
通过将本地梯度归一化,改进了过程中最相关工作对于放大因子选择的假设不准确的问题,同时在平滑和强凸损失函数的情况下,提出的方法能够以次线性或线性速率收敛到稳定点,还发现了收敛速率和容差之间的权衡,并通过优化系统参数加快了收敛速度,实验结果表明 - 无线联邦 $k$- 均值聚类与非相干无线计算
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 - ICML通过非相干无线计算的动态功率控制实现私有联邦学习
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 - OFDM 系统中带有不完全信道状态信息的无线计算
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。
- 使用正交序列的差分隐私无线联邦学习
通过使用正交序列的特性,FLORAS 在通信设计角度消除了发送器处的信道状态信息 (CSIT) 的要求,提出了一种用于单输入单输出 (SISO) 无线联邦学习 (FL) 系统的新颖的隐私保护上行计算 (Over-the-Air Comput - 面向无线联邦学习的通道和梯度重要性感知设备调度
本研究提出一种名为 PO-FL 的概率设备调度框架,以缓解通道噪声的负面影响,在模型对聚合过程中使用该概率重量进行重新加权,通过经验分析得出结论:设备调度通过通信失真和全局更新方差影响学习性能。通过基于收敛性分析,进一步开发了基于渠道和梯度 - 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。
- 基于信道驱动随机梯度 Langevin 动力学的贝叶斯 OTA FedAvg
本文提出了一种无线 FALD 协议(WFALD),通过实现空气中的计算和无线信道抽样以进行蒙特卡罗更新,实现了 FALD 在无线系统中的实现,该协议通过小批量计算随机梯度,并分别属于 Bayesian learning 和机器学习中的联邦学 - 通过空中计算的半异步联邦边缘学习机制
本文提出了一种使用 AirComp 方案的半异步聚合 FEEL 机制 (PAOTA),以提高 FEEL 系统的训练效率,并通过模拟结果表明,相对于理想的本地 SGD 和 AirComp 的同步 FEEL 算法,PAOTA 在达到相同目标精度