多细胞ISAC联邦学习协同波束赋形策略
信号处理
2025-01-29 v1
摘要
我们提出了两种基于联邦学习（FL）的协同波束赋形框架，用于多细胞集成感知与通信（ISAC）系统。旨在解决以下困境：1)仅依赖本地信道信息的波束赋形策略可能产生显著的细胞间干扰（ICI），降低通信用户和邻近细胞感知接收器的网络性能；2)相反，基于全局信道信息的集中式波束赋形可消除ICI，但会带来巨大的传输开销和延迟，对于面向延迟敏感和资源受限的应用而言不可接受。为克服这些挑战，我们首先提出一种受垂直联邦学习（VFL）启发的部分去中心化训练框架。在此框架中，参与的基站（BS）在中心服务器的指导下协同设计波束赋形矩阵。中心服务器汇总来自BS的局部信息并提供反馈，允许BS在不获取全局信道信息的情况下隐式管理ICI。为实现密集部署无线网络的可扩展性，我们进一步通过基于水平联邦学习（HFL）的完全去中心化设计来减少通信开销。具体而言，我们开发了一种新型损失函数来控制干扰泄漏功率，从而通过完全消除局部信道信息交换来实现更高效的训练过程。数值结果表明，所提出的解决方案在通信和雷达信息率方面均可实现显著的性能提升，相当于基准方法。
引用
@article{arxiv.2501.16951,
title = {Federated Learning Strategies for Coordinated Beamforming in Multicell ISAC},
author = {Lai Jiang and Kaitao Meng and Murat Temiz and Jiaming Hu and Christos Masouros},
journal= {arXiv preprint arXiv:2501.16951},
year = {2025}
}