面向 RIS 辅助细胞免 MIMO 的异构联邦学习驱动的联盟形成
信息论
2025-02-11 v1 math.IT
摘要
下行信道估计在可重构智能表面辅助细胞免多输入多输出通信系统中仍然是一个重要瓶颈。传统方法主要依赖集中式深度学习方法来估计高维复杂的级联信道。这些方法需要来自所有用户的数据聚合进行集中式模型训练，导致通信开销过大且存在显著的数据隐私问题。此外，大型本地学习模型对终端用户计算提出了沉重要求，迫使需要具备强大的计算能力才能满足大多数商业设备的实际需求。为解决上述挑战，提出一种基于联盟形成引导的异构联邦学习（FL）框架。该框架利用联盟形成来指导异构 FL 用户组的形成，以实现高效的信道估计。具体而言，通过利用分布式深度强化学习（DRL）方法，每个 FL 用户智能地独立地决定是否加入或离开联盟，以提高信道估计准确度，同时降低终端用户的本地模型规模和计算成本。此外，为加快 DRL-FL 收敛进程并减少终端用户的计算负担，引入一种迁移学习方法。该方法结合收到的参考信号功率和距离相似性度量，考虑到距离接近基站且接收信号功率相当的节点很可能经历相似的信道衰落。大量实验表明，与基准方法相比，所提框架通过联盟形成显著降低了终端用户的计算开销 16%，提高了数据隐私，提高了信道估计准确度 20%。
引用
@article{arxiv.2502.05538,
title = {Coalition Formation for Heterogeneous Federated Learning Enabled Channel Estimation in RIS-assisted Cell-free MIMO},
author = {Nan Qi and Haoxuan Liu and Theodoros A. Tsiftsis and Alexandros-Apostolos A. Boulogeorgos and Fuhui Zhou and Shi Jin and Qihui Wu},
journal= {arXiv preprint arXiv:2502.05538},
year = {2025}
}