感知干扰与数据异构性的分层空中计算联邦学习

在无线网络上实现分层联邦学习时，可扩展性保证以及处理干扰和设备数据异构性的能力至关重要。这项工作引入了一种旨在应对这些挑战的学习方法，以及一种通过空中计算高效利用单一无线资源的可扩展传输方案。为了抵抗数据异构性，我们采用了梯度聚合。同时，通过优化的接收端归一化因子将干扰的影响降至最低。为此，我们使用随机几何对多簇无线网络进行建模，并将聚合估计的均方误差表征为网络参数的函数。我们表明，尽管存在干扰和数据异构性，所提出的方案仍实现了高学习精度，并且可以显著优于传统的分层算法。