基于线性调频的空中计算用于长距离联邦边缘学习
信号处理
2022-06-23 v1
摘要
在本研究中，我们提出基于循环移位线性调频（CSC）的多数投票（MV）（CSC-MV），一种高能效的空中计算（OAC）方案，以实现长距离联邦边缘学习（FEEL）。所提方法将边缘设备（EDs）的投票（即本地梯度的符号）映射到利用离散傅里叶变换扩频正交频分复用（DFT-s-OFDM）发射机构建的线性 CSC 上。在边缘服务器（ES）处，使用能量检测器计算 MV。我们将所提方案与单比特宽带数字聚合（OBDA）进行比较，表明在邻道泄漏比（ACLR）约束下，CSC-MV 发射机的输出功率回退（OBO）需求低于 OBDA。例如，在 -22 dB 的 ACLR 约束下，CSC-MV 的 OBO 需求可比 OBDA 低 6–7 dB。当考虑功率放大器（PA）非线性时，我们证明在 ES 和 EDs 均不使用信道状态信息（CSI）的情况下，CSC-MV 在同构和异构数据分布上的测试精度均优于 OBDA。
引用
@article{arxiv.2206.10784,
title = {Chirp-Based Over-the-Air Computation for Long-Range Federated Edge Learning},
author = {Safi Shams Muhtasimul Hoque and Mohammad Hassan Adeli and Alphan Sahin},
journal= {arXiv preprint arXiv:2206.10784},
year = {2022}
}
备注
7 pages, 9 figures, to be presented at the "2022 IEEE International Symposium on Personal, Indoor and Mobile Radio Communications"