基于智能反射面的联邦学习
信息论
2022-04-01 v2 机器学习
信号处理
math.IT
摘要
基于空中计算（AirComp）的联邦学习（FL）通过利用多址信道的波形叠加特性，能够实现快速的模型聚合。然而，模型聚合性能受到不利无线传播信道的严重限制。在本文中，我们提出利用智能反射面（IRS）为基于 AirComp 的 FL 实现快速且可靠的模型聚合。为优化学习性能，我们构建一个优化问题，在一定的均方误差（MSE）要求下，联合优化设备选择、基站（BS）的聚合波束成形器以及 IRS 的相移，以最大化每轮通信参与模型聚合的设备数量。为求解上述高度难解的问题，我们提出一种两步优化框架。具体而言，我们在第一步诱导设备选择的稀疏性，随后在第二步通过求解一系列 MSE 最小化问题来寻找最大可行设备集。接着，我们提出一种交替优化框架，由用于低秩优化的凸函数差规划算法支撑，以高效设计 BS 处的聚合波束成形器和 IRS 处的相移。仿真结果将表明，相较于基线算法，我们所提算法及 IRS 的部署能够实现更低的训练损失和更高的 FL 预测精度。
引用
@article{arxiv.2011.05051,
title = {Federated Learning via Intelligent Reflecting Surface},
author = {Zhibin Wang and Jiahang Qiu and Yong Zhou and Yuanming Shi and Liqun Fu and Wei Chen and Khaled B. Lataief},
journal= {arXiv preprint arXiv:2011.05051},
year = {2022}
}