基于 ASTARS 的联邦学习在主动上行网络中的应用
信号处理
2025-08-06 v1
摘要
主动同时发射反射面 (ASTARS) 因其能够缓解乘法衰落并重新塑造整个空间中电磁环境而日益受到关注。本文利用 ASTARS 辅助联邦学习 (FL) 上行模型传输，并通过 over-the-air (OTA) 计算技术进一步减少上传参数的数量。 characterize ASTARS 辅助 FL 上行网络中模型聚合误差的影响。我们推导了 OTA-FL 模型聚合误差的上界，并量化了由于通信误差导致的训练损失。随后，我们将 OTA-FL 性能定义为一个联合优化问题，包含接收波束的分配和 ASTARS 的相位调制，旨在实现最大学习效率和高质量信号传输。数值结果表明：i) 相较于最新网络，ASTARS 上行网络中的 FL 精度得到提升；ii) 受数据离散程度更高影响较大，ASTARS 启用 FL 系统可在更少的活跃单元下实现更好的学习精度；iii) FL 精度随放大功率提高，但过度放大会使热噪声成为主要误差来源。
引用
@article{arxiv.2508.02693,
title = {Federated Learning in Active STARS-Aided Uplink Networks},
author = {Xinwei Yue and Xinning Guo and Xidong Mu and Jingjing Zhao and Peng Yang and Junsheng Mu and Zhiping Lu},
journal= {arXiv preprint arXiv:2508.02693},
year = {2025}
}