基于因果表征的可重构智能表面联邦学习博弈
机器学习
2023-06-05 v1 信号处理
摘要
本文研究异构通信环境下鲁棒可重构智能表面（RIS）相移配置问题。该问题被表述为联邦学习（FL）设定下跨不同环境的分布式学习问题。等价地，这对应于多个 RIS 作为学习智能体在异构环境中进行的博弈。利用不变风险最小化（IRM）及其 FL 等价形式（称为 FL 博弈），我们通过跨多环境学习不变因果表征并预测相移来解决 RIS 配置问题。该解对应于依据最佳响应动力学（BRD）进行博弈，从而得到 FL 博弈的纳什均衡。表征学习器与相移预测器由两个神经网络建模，其性能通过仿真与文献中其他基准对比得到验证。我们的结果表明，基于因果的学习在未见分布外（OoD）环境中产生的预测器准确率高出 15%。
引用
@article{arxiv.2306.01306,
title = {Federated Learning Games for Reconfigurable Intelligent Surfaces via Causal Representations},
author = {Charbel Bou Chaaya and Sumudu Samarakoon and Mehdi Bennis},
journal= {arXiv preprint arXiv:2306.01306},
year = {2023}
}
备注
6 pages, 4 figures