中文

异构网络中用于空中联邦学习的信道自适应鲁棒聚合

机器学习 2026-07-05 v1
作者: Zubaida Fatima , Zubair Shaban , Yusuf Jamal , Nazreen Shah , Ranjitha Prasad , B. N. Bharath
在 arXiv 上查看 ↗ PDF ↗ DOI ↗

摘要

对隐私保护、数据密集型应用（如物联网、增强现实和自主系统）日益增长的需求，使联邦学习 (FL) 成为 6G 网络中的关键使能技术。空中联邦学习 (OTA-FL) 利用无线多址信道的叠加特性，通过同时传输实现高效聚合。现有方法依赖于固定的聚合调度，并未联合解决噪声、衰落和客户端异构性问题。我们提出了 CHARGE-FL（信道自适应鲁棒聚合），一个基于信道动态和应用就绪状态自适应调度聚合的框架。通过结合定制的优化策略和双用途预编码机制，CHARGE-FL 减轻了信道失真和部分更新带来的偏差，在现实无线条件下实现了卓越的准确性、稳定性和收敛性。在现实无线条件下的实证结果表明，CHARGE-FL 在准确性、稳定性和收敛性方面显著优于最先进的 OTA-FL 方法，尤其是在存在掉队者和噪声的场景中。

关键词

联邦学习 空中计算 信道自适应 鲁棒聚合 6G 网络 异构网络

引用

@article{arxiv.2607.04218,
  title  = {Channel-Adaptive Robust Aggregation for Over-the-Air Federated Learning in Heterogeneous Networks},
  author = {Zubaida Fatima and Zubair Shaban and Yusuf Jamal and Nazreen Shah and Ranjitha Prasad and B. N. Bharath},
  journal= {arXiv preprint arXiv:2607.04218},
  year   = {2026}
}