提升半联邦学习的收敛性:一种通过操控空中失真的节能方法
信号处理
2026-02-26 v2
摘要
本文提出一种结合联邦学习与拆分学习的混合学习框架,称为半联邦学习(SemiFL),其中采用空中计算(over-the-air computation)进行梯度聚合。其核心思想是通过操控空中失真来策略性地调整学习率,以改善 SemiFL 的收敛性。具体而言,我们在非稳定区主动放大幅度失真以提高学习率,从而加速收敛并降低通信能耗;在稳定区抑制噪声扰动以维持较小的学习率,从而改善 SemiFL 的最终收敛性。理论结果揭示了空中失真在独立同分布(IID)与非 IID 数据设置下不同区域中的对抗性效应。在此基础上,我们针对两个区域分别构建了两个能耗最小化问题,实现了一种双区域均方误差阈值配置方案,并提出了两个具有闭式解的资源分配算法。仿真结果表明,在不同网络与数据分布条件下,策略性地操控空中失真能够有效调整学习率以改善 SemiFL 的收敛性。此外,采用所提算法可降低能耗。
引用
@article{arxiv.2506.21893,
title = {Improving Convergence for Semi-Federated Learning: An Energy-Efficient Approach by Manipulating Over-the-Air Distortion},
author = {Jingheng Zheng and Hui Tian and Wanli Ni and Yang Tian and Ping Zhang},
journal= {arXiv preprint arXiv:2506.21893},
year = {2026}
}