多天线系统中的数字空中联邦学习
信息论
2024-04-26 v3 人工智能
机器学习
math.IT
摘要
本文研究了联邦学习（FL）部署于具有数字调制与空中计算（AirComp）的现实无线多输入多输出（MIMO）通信系统时的性能优化。具体地，考虑一个 MIMO 系统，其中边缘设备使用波束成形将其本地 FL 模型（利用本地收集数据训练得到）传输至参数服务器（PS），以最大化调度传输的设备数量。PS 作为中央控制器，利用接收到的本地 FL 模型生成全局 FL 模型并广播回所有设备。由于无线网络带宽有限，采用 AirComp 以实现高效的无线数据聚合。然而，无线信道衰落会在基于 AirComp 的 FL 方案中产生聚合失真。为应对该挑战，我们提出了一种改进联邦平均（FedAvg）算法，将数字调制与 AirComp 相结合，在确保通信效率的同时减轻无线衰落。这通过联合收发波束成形设计实现，其被表述为一个优化问题，以根据当前 FL 模型参数动态调整波束成形矩阵，从而最小化传输误差并保证 FL 性能。为实现此目标，我们首先解析刻画波束成形矩阵如何影响不同迭代中 FedAvg 的性能。基于该关系，使用人工神经网络（ANN）估计所有设备的本地 FL 模型并调整 PS 处用于未来模型传输的波束成形矩阵。所提方法的算法优势与性能提升通过大量数值实验得到验证。
引用
@article{arxiv.2302.14648,
title = {Digital Over-the-Air Federated Learning in Multi-Antenna Systems},
author = {Sihua Wang and Mingzhe Chen and Cong Shen and Changchuan Yin and Christopher G. Brinton},
journal= {arXiv preprint arXiv:2302.14648},
year = {2024}
}