毫米波空天地一体化网络中基于去中心化模型分发的联邦学习

预计在后 5G 时代，搭载无人机的继电器所构成的空天地一体化网络将提供更好的覆盖与连接性。同时，联邦学习（FL）因能保持用户隐私并降低通信开销，成为在无线网络上构建推理模型的一种有前景的分布式机器学习技术。然而，现有 FL 模型在中央参数服务器（CPS）聚合全局参数，增加了能耗与延迟，且未能有效利用分布式用户设备（UD）的无线资源块（RRB）。本文提出一种资源高效的 FL 框架，称为 FedMoD（带模型分发的联邦学习，\textbf{fed}erated learning with \textbf{mo}del \textbf{d}issemination），用于毫米波（mmWave）空天地一体化网络，具有如下两个独特特征。首先，FedMoD 提出一种新颖的去中心化模型分发算法，利用无人机作为本地模型聚合器，通过无人机间及设备间（D2D）通信实现。因此，FedMoD（i）增加了参与 FL 模型开发的 UD 数量，且（ii）无需涉及 CPS 即可实现全局模型聚合。其次，FedMoD 在空口学习延迟约束下，利用无线资源管理（RRM）降低 FL 的能耗。为此，借助图论，FedMoD 优化毫米波链路上视距（LOS）UD 到合适无人机/RRB 的调度，以及非视距（非 LOS）UD 经覆盖式 D2D 通信到可用 LOS UD 的调度。大量仿真表明，去中心化 FedMoD 提供与传统 FL 框架相同的收敛速率性能。