面向 RIS 相位配置的联邦分布式鲁棒优化
机器学习
2021-10-11 v2 网络与互联网体系结构
机器学习
摘要
在本文中，我们研究在监督学习设定下异构可重构智能表面（RIS）类型辅助的下行通信的鲁棒性问题。通过将异构 RIS 设计上的下行通信建模为以分布式方式学习如何优化相位配置的不同工作节点，我们以通信高效的方式使用分布式鲁棒公式解决该分布式学习问题，同时建立其收敛速率。通过这样做，我们确保最坏情况工作节点的全局模型性能接近于其他工作节点的性能。仿真结果表明，与竞争性基线相比，我们提出的算法达到相同的最坏情况分布测试精度所需的通信轮数更少（约减少 50%）。
引用
@article{arxiv.2108.09026,
title = {Federated Distributionally Robust Optimization for Phase Configuration of RISs},
author = {Chaouki Ben Issaid and Sumudu Samarakoon and Mehdi Bennis and H. Vincent Poor},
journal= {arXiv preprint arXiv:2108.09026},
year = {2021}
}
备注
6 pages, 2 figures