AirPASS：通过夹捏天线系统的空中联邦学习
信息论
2026-07-07 v1 人工智能
机器学习
摘要
本文研究了无线系统中的空中联邦学习（AirFL），其中接入点配备有多波导夹捏天线系统（PASS）。我们采用了广泛研究的学习导向AirFL公式，该公式旨在最大化所选设备数量，同时将聚合失真保持在规定阈值以下。由于这些系统变量之间错综复杂的耦合，由此产生的设备选择、接收波束成形和夹捏天线放置的联合优化是高度非凸的。为了应对这一挑战，我们开发了AirPASS，一个交替优化框架，包含两个主要组件：在固定PASS配置下用于设备选择和接收波束成形的同伦-黎曼边际整合方法，以及在固定所选设备和波束成形器下用于更新夹捏天线位置的同伦辅助几何优化方法。实验表明，AirPASS始终优于传统的共置MIMO基线，接近理想的FedAvg，并且相对于SDR-DC和匹配追踪调度替代方案，实现了有吸引力的性能-复杂度权衡。
引用
@article{arxiv.2607.06768,
title = {AirPASS: Over-the-Air Federated Learning via Pinching Antenna Systems},
author = {Seyed Mohammad Azimi-Abarghouyi and Christopher G. Brinton},
journal= {arXiv preprint arXiv:2607.06768},
year = {2026}
}