基于空射对话式联邦学习的实验演示：面向细胞网络
信号处理
2025-03-11 v1
摘要
空射对话式联邦学习（OTA-FL）通过模拟信号传播的物理特性对模型权重进行平均，相较于传统联邦学习具有全新的发展方向。由于每个参与方在时频域同时广播其模型权重，该范式能够节省通信带宽并降低模型上传延迟。尽管已具备巨大潜力，但目前尚无关于在真实世界实验平台上进行大规模演示的先前研究。本文首次证明，在5G合规调制方案的约束下，OTA-FL可被部署于细胞网络环境中。为实现此目标，我们识别了由多径衰落效应、无线设备热噪声以及维持跨多个客户端高度精确同步以完成协同空射合成所导致的挑战。为解决这些问题，我们提出了一种统一框架，实现实时信道估计、模型权重到正交频分复用符号的映射以及双层同步接口，以完成OTA模型训练。我们通过在ORBIT测试平台和便携式装置上分别对两个相关应用——信道估计和目标分类——进行实验验证，同时从电信运营商的角度分析其优势。在特定实验条件下，OTA-FL在5个节点情况下，实现与传统FL等效的模型性能，并实现了43倍的频谱资源利用率提升和7倍的能源效率提升。
引用
@article{arxiv.2503.06376,
title = {Experimental Demonstration of Over the Air Federated Learning for Cellular Networks},
author = {Suyash Pradhan and Asil Koc and Kubra Alemdar and Mohamed Amine Arfaoui and Philip Pietraski and Francois Periard and Guodong Zhang and Mario Hudon and Kaushik Chowdhury},
journal= {arXiv preprint arXiv:2503.06376},
year = {2025}
}