面向细胞-free RSMA 网络的联邦深度学习框架
摘要
下一代无线网络将显著受益于三种关键技术（KTs）的集成：Rate-Splitting Multiple Access（RSMA）、cell-free 架构和 federated learning。每种技术在安全性、鲁棒性和分布式结构方面各自提供独特优势。本文提出一种新型 cell-free 网络架构，集成 RSMA 并在其中嵌入机器学习技术于 federated 框架中。这种组合利用每种 KTs 的优势，形成协同效应，最大化安全性、鲁棒性和分布式结构的益处。我们正式形式化了 access point（AP）选择和 precoder 设计，用于 cell-free MIMO RSMA 网络中的 max-min rate 优化。我们提出的解决方案方案包括三个步骤。第一步训练 deep reinforcement learning（DRL）神经网络，以获得假设在 AP 和 user equipment（UE）之间完全连接的前提下，RSMA precoder。第二步使用这些 precoder 和 principal component analysis（PCA）将 AP 分配给 UE，通过删除部分 AP-UE 连接来实现。最终一步将这些 precoder 纳入第二个 DRL 网络中进行微调，方法是将关联的 AP 纳入其中。为充分利用 cell-free 网络的分布式特性，这一过程在 Federated Deep Reinforcement Learning（FDRL）结构中实现，经由 AP 和 central processing unit（CPU）的合作。仿真结果表明，所提出的 FDRL 方法的性能相当于基准中心化 DRL 方案。我们的 FDRL 方法在保持高性能的同时，提供了增强的安全性和降低的处理需求。
引用
@article{arxiv.2501.07126,
title = {A Federated Deep Learning Framework for Cell-Free RSMA Networks},
author = {S. Ali Mousavi and Mehdi Monemi and Reza Mohseni and Matti Latva-aho},
journal= {arXiv preprint arXiv:2501.07126},
year = {2025}
}