面向联邦学习的频移调制聚合
信号处理
2024-05-28 v2
摘要
联邦边缘学习（FEEL）是一种利用边缘设备与协调学习过程的服务器以分布式方式训练模型的框架。在FEEL中，边缘设备周期性地向服务器传输模型参数，服务器将其聚合以生成全局模型。为减轻大量边缘设备传输高维数据的负担，已有一种宽带模拟传输方案被提出。设备使用线性模拟调制同时传输参数，并借助无线介质的叠加特性实现聚合。然而，线性模拟调制会导致边缘设备功耗过高，且不适用于当前数字无线系统。为克服该问题，本文提出一种数字频带聚合方案。该方案在发送端集成多频移键控（MFSK），在接收端采用基于类型的多址接入（TBMA）。通过并发传输，服务器可恢复所传参数的类型（即直方图）并计算任意聚合函数以生成共享全局模型。我们在加性白高斯噪声（AWGN）信道下对该通信方案进行了详尽分析，并与线性模拟调制进行比较。实验结果表明，所提方案在信噪比低至 dB时性能无下降，优于模拟方案，且峰值平均功率比（PAPR）比线性模拟调制低14 dB。
引用
@article{arxiv.2306.16347,
title = {Frequency Modulation Aggregation for Federated Learning},
author = {Marc Martinez-Gost and Ana Pérez-Neira and Miguel Ángel Lagunas},
journal= {arXiv preprint arXiv:2306.16347},
year = {2024}
}
备注
Paper accepted in 2023 IEEE Global Communications Conference