关键词over-the-air federated learning
搜索结果 - 7
- 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 - 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 - 压缩感知的无线联邦学习:是否需要稀疏化?
通过比较不同通信设计的效果,研究发现,在相同总功率约束下,压缩感知方法配合稀疏化并不必要,而仅进行稀疏化而不使用线性压缩能够更好地提高性能。
- 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。
- 通过削峰压控实现带压缩的空中协作学习的收敛分析
本文提出了基于范数剪切的空中联邦学习机制,称作 AirFL-Clip 和 AirFL-Clip-Comp,并且为这两种机制提供了收敛性分析,支持离线评估。同时,作者扩展了这两种机制,支持 Top-k 稀疏化和线性压缩。通过实验证明,这个方法 - 如何协调边缘设备进行空中联邦学习?
本研究旨在探究无线网络中的设备协调问题对于 OTA-FL 的影响,通过研究最优方案的特性,提出了一种低复杂度算法以逼近最优方案。
- MM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