面向可重构智能表面辅助空中联邦学习的精度与完整性平衡
机器学习
2022-07-19 v1 信息论
信号处理
math.IT
摘要
空中联邦学习(AirFL)允许设备并行训练学习模型并利用空中计算同步其本地模型。由于通过空中聚合的本地模型不透明，AirFL 的完整性易受威胁。本文提出一种平衡 AirFL 精度与完整性的新框架，其中多天线设备与基站(BS)连同可重构智能表面(RIS)被联合优化。关键贡献包括：一个新且非平凡的问题，联合考虑 AirFL 的模型精度与完整性；以及一个将该问题转化为可处理子问题的新框架。在完美信道状态信息(CSI)下，新框架通过交替优化设备发射波束成形器、BS 接收波束成形器与 RIS 配置，最小化聚合模型失真并保持本地模型可恢复性。在不完美 CSI 下，新框架给出波束成形器与 RIS 配置的鲁棒设计以对抗不可忽略的信道估计误差。实验证实，新框架在完美 CSI 下能在保持本地模型可恢复性的同时取得与理想 FL 相当的精度，并在不完美 CSI 下当接收天线数较少或中等时提升精度。
引用
@article{arxiv.2207.08057,
title = {Balancing Accuracy and Integrity for Reconfigurable Intelligent Surface-aided Over-the-Air Federated Learning},
author = {Jingheng Zheng and Hui Tian and Wanli Ni and Wei Ni and Ping Zhang},
journal= {arXiv preprint arXiv:2207.08057},
year = {2022}
}
备注
The paper has been accepted for publication in the IEEE Transactions on Wireless Communications