面向 Over-the-Air 联邦学习的干扰抗衡：基于 RIS 的统计方法

Over-the-air computation（AirComp）将模拟通信与任务导向计算相结合，作为无线网络中高效联邦学习（FL）的关键技术。然而，由于其模拟特性，AirComp 使能的联邦学习（AirFL）对非故意和故意干扰都十分脆弱。本文旨在通过可重构智能表面（RIS）技术人为重构无线环境，以实现对 AirComp 聚合干扰的鲁棒性。具体而言，我们为无线 FL 系统中的干扰抑制建立了量身定制的性能目标，旨在实现无偏梯度估计并降低其均方误差（MSE）。针对这些目标，我们引入了相位操控的有利传播和信道硬化概念，以 AirFL 为目标，依赖于调整 RIS 相位移来实现统计干扰消除和降低梯度估计误差方差。基于此概念，我们提出两种鲁棒聚合方案：功率控制和 RIS 相位移设计方案，两种方案均能在干扰存在时实现无偏梯度估计。对 MSE 和 FL 收敛性的理论分析确认了所提方案的抗干扰能力。观察到计算误差和干扰误差均可按 $\mathcal{O}\left(\frac{1}{N}\right)$ 级下降，其中 $N$ 为 RIS 单元数目，通过增加 $N$ 可实现无干扰下的理想收敛速率。数值实验确认了理论结果，验证了所提方案在现有基线之上的优越性能。