基于完全去中心化联邦学习的无人机通信波束成形设计
信号处理
2020-07-28 v1
摘要
为应对物联网（IoT）时代的数据爆炸，研究去中心化网络颇具意义，旨在减轻中心服务器负担并保护数据隐私。本工作中，我们开发了一种基于不精确随机并行随机游走交替方向乘子法（ISPW-ADMM）的完全去中心化联邦学习（FL）框架。与当前最先进方法相比，所提出的 ISPW-ADMM 具有更高的通信效率和更强的隐私保护能力，可部分免受时变动态网络与随机数据收集的影响，同时仍保持快速收敛。得益于随机梯度与有偏一阶矩估计，该框架可应用于时变图上的任意去中心化 FL 任务。为进一步证明该框架在快速收敛、高通信效率和系统鲁棒性方面的实用性，我们研究了基于极限学习机（ELM）的 FL 模型用于无人机通信中的鲁棒波束成形（BF）设计，数值仿真验证了其有效性。
引用
@article{arxiv.2007.13614,
title = {Fully Decentralized Federated Learning Based Beamforming Design for UAV Communications},
author = {Yue Xiao and Yu Ye and Shaocheng Huang and Li Hao and Zheng Ma and Ming Xiao and Shahid Mumtaz},
journal= {arXiv preprint arXiv:2007.13614},
year = {2020}
}