基于非相干空中共识的去中心化联邦学习

本文提出NCOTA-DGD，一种去中心化梯度下降（DGD）算法，它将局部梯度下降与一种新颖的非相干空中（NCOTA）共识方案相结合，用于解决无线连接系统中的分布式机器学习问题。NCOTA-DGD利用无线信道的波形叠加特性：它通过将局部优化信号映射为前导序列的混合，并在接收端通过非相干合并实现共识，从而在半双工约束下支持同时传输。NCOTA-DGD在发送端与接收端均无需信道状态信息，并利用平均信道路径损耗来混合信号，而无需显式获知混合权重（该权重在基于共识的优化算法中通常为已知）。本文从理论与数值两方面证明，对于具有固定共识与学习步长的光滑强凸问题，NCOTA-DGD的更新在欧氏距离上以$\mathcal O(K^{-1/4})$的速率收敛至全局最优（目标迭代次数为$K$）。在一个逻辑回归问题上对NCOTA-DGD进行了数值评估，结果显示相较于在数字与模拟正交信道上运行的经典DGD算法实现，其相对于运行时间具有更快的收敛速度。