基于 FSK 多数投票的无线网络分布式学习
信号处理
2021-11-04 v1 信息论
math.IT
摘要
在本研究中，我们提出了一种用于联邦边缘学习 (FEEL) 的空中计算 (AirComp) 方案。所提出的方案依赖于基于多数投票 (MV) 和符号随机梯度下降 (signSGD) 的分布式学习概念。与现有最先进的解决方案相比，通过所提出的方法，边缘设备 (ED) 通过激活两个正交资源之一（即正交频分复用 (OFDM) 子载波）来传输局部随机梯度的符号，并且边缘服务器 (ES) 处的 MV 通过利用子载波上的能量累积，使用非相干检测器获得。因此，所提出的方案消除了在 ED 和 ES 处对信道状态信息 (CSI) 的需求。通过考虑路径损耗、功率控制、小区大小以及衰落信道中检测到的 MV 的概率性质，我们证明了非凸函数分布式学习的收敛性。通过仿真，我们表明，即使在 ES 处的时间同步和功率对齐不理想的情况下，所提出的方案也能在衰落信道中提供高测试精度。我们还为基于 MV 的方案中依赖于位置的数据分布的分布式学习提供了见解。
引用
@article{arxiv.2111.01850,
title = {Distributed Learning over a Wireless Network with FSK-Based Majority Vote},
author = {Alphan Sahin and Bryson Everette and Safi Shams Muhtasimul Hoque},
journal= {arXiv preprint arXiv:2111.01850},
year = {2021}
}
备注
Accepted to International Conference on Advanced Communication Technologies and Networking (CommNet 2021)