基于 AI 的流体天线系统提升 over-the-air 联邦学习
信号处理
2025-02-04 v2
摘要
本文研究一种采用流体天线（FAs）的 over-the-air 联邦学习（OTA-FL）系统。该系统通过利用天线运动提供的额外自由度来提升学习性能。我们分析了 OTA-FL 系统的收敛性，并推导了最优间隙以说明 FAs 对学习性能的影响。有了这些结果，我们构建了一个非凸优化问题，以最小化最优间隙为目标，联合优化 FAs 的位置、每个用户的波束赋形向量以及发射功率分配。为应对动态环境，我们将该优化问题建模为马尔可夫决策过程，并提出了循环确定性策略梯度（RDPG）算法。最后，大量仿真结果表明，FAs 辅助的 OTA-FL 系统优于固定位置天线系统，且 RDPG 算法优于现有方法。
引用
@article{arxiv.2407.03481,
title = {Enhanced Over-the-Air Federated Learning Using AI-based Fluid Antenna System},
author = {Mohsen Ahmadzadeh and Saeid Pakravan and Ghosheh Abed Hodtani and Ming Zeng and Jean-Yves Chouinard and Leslie A. Rusch},
journal= {arXiv preprint arXiv:2407.03481},
year = {2025}
}
备注
6 pages, 1 figure