面向物理层设计的联邦学习
信号处理
2021-08-09 v2 信息论
机器学习
math.IT
摘要
无模型技术，如机器学习（ML），近来在物理层设计（例如符号检测、信道估计和波束成形）方面引起了极大兴趣。这些 ML 技术大多采用集中式学习（CL）方案，并假设参数服务器（PS）处可用数据集，需要将来自边缘设备（如手机）的数据传输至 PS。利用在边缘生成的数据，联邦学习（FL）近来被提出作为一种分布式学习方案，其中每个设备计算模型参数并将其发送至 PS 进行模型聚合，而数据集保留在边缘不被外传。因此，FL 比 CL 更具通信效率且保护隐私，并适用于数据在边缘设备生成的无线通信场景。本文介绍了基于 FL 的训练用于物理层设计问题的近期进展。与 CL 相比，FL 的有效性在通信开销方面得以展现，且学习精度仅有轻微损失。设计挑战，如模型、数据和硬件复杂性，也连同可能的解决方案一并详细讨论。
引用
@article{arxiv.2102.11777,
title = {Federated Learning for Physical Layer Design},
author = {Ahmet M. Elbir and Anastasios K. Papazafeiropoulos and Symeon Chatzinotas},
journal= {arXiv preprint arXiv:2102.11777},
year = {2021}
}
备注
Accepted paper in IEEE Communications Magazine