空中聚合联邦学习中的波束成形与设备选择设计

结合空中计算的联邦学习（FL）能够高效利用通信带宽，但易受模拟聚合误差的影响。排除信道条件较弱的设备可以减少聚合误差，但这也限制了联邦学习的本地训练数据量，可能降低训练收敛速度。在本研究中，我们针对时变无线信道下的空中联邦学习，联合设计上行链路接收波束成形与设备选择，以最大化训练收敛速度。我们利用通信轮次中全局训练损失的上界，将该随机优化问题重构为混合整数规划。随后，我们提出了一种贪心空间设备选择（GSDS）方法，该方法采用顺序过程，基于一种同时捕捉信道强度和与已选设备信道相关性的度量来选择设备。我们证明，在给定所选设备的情况下，接收波束成形优化问题等价于下行链路单组多播波束成形。为了降低计算复杂度，我们还提出了一种基于交替优化的设备选择与波束成形（ADSBF）方法，交替求解接收波束成形与设备选择子问题。特别地，尽管设备选择是一个整数问题，我们仍能开发出一种寻找其最优解的高效算法。基于真实世界图像分类的仿真结果表明，与现有方法相比，我们提出的方法实现了更快的收敛速度和显著更低的计算复杂度。此外，尽管 ADSBF 的性能略逊于 GSDS，但在设备数量较多时，它具有计算复杂度更低的优势。