基于空中 q-QAM 的盲联邦学习
信号处理
2024-04-22 v2 机器学习
摘要
本文研究了衰落多址信道下的联邦边缘学习。为减轻边缘设备与接入点之间的通信负担，我们提出了一种采用 q 进制正交振幅调制(q-ary quadrature amplitude modulation)的先驱性数字空中计算策略，最终形成了一种低延迟通信方案。具体而言，我们提出了一种新的联邦边缘学习框架，其中边缘设备使用数字调制向边缘服务器进行空中上行传输，且无法获取信道状态信息。此外，我们在边缘服务器处配置多根天线以克服无线通信固有的衰落。我们分析了有效抑制衰落影响所需的天线数量。我们证明了在所提数字空中上行传输联邦学习在噪声与衰落条件下均方误差的非渐近上界。利用该推导上界，我们刻画了非凸损失函数学习过程相对于因衰落信道所致梯度均方误差的收敛速率。进一步地，我们通过关于均方误差及数字联邦边缘学习框架收敛效能的数值实验证实了理论保证。值得注意的是，结果表明增加边缘服务器天线数量并采用更高阶调制可将模型精度提升多达 60%。
引用
@article{arxiv.2311.04253,
title = {Blind Federated Learning via Over-the-Air q-QAM},
author = {Saeed Razavikia and José Mairton Barros Da Silva Júnior and Carlo Fischione},
journal= {arXiv preprint arXiv:2311.04253},
year = {2024}
}