面向移动物联网的 over-the-air 联邦学习用户调度与波束赋形集成
分布式、并行与集群计算
2025-08-04 v1
摘要
物联网（IoT）的日益流行推动了移动互联网和互联系统技术的快速发展。虽然IoT服务提供商能够灵活地实现跨领域的智能应用，但必须收集来自用户的大量敏感数据，而这同时也引发了隐私泄露的担忧。联邦学习（FL）作为一种解决这一挑战的去中心化训练范式已逐渐成为热门。本 work 聚焦于通过引入 over-the-air 计算来提高分布式本地模型的聚合效率。由于大规模网络中的无线资源稀缺，只能在每个训练轮次中选择一部分用户参与。这凸显了需要有效的用户调度和模型传输策略以优化通信效率和推断精度的需求。为此，我们提出一种集成的用户调度与接收波束赋形方法，受选定用户数和发射功率限制。利用差分凸性方法，我们将原始非凸优化问题分解为两个子问题，得到迭代求解方案。虽然该方法有效，但其迭代方法的计算负担会阻碍实际应用。为此，我们进一步提出一种基于无线信道特征分析的低复杂度用户调度策略，直接确定用户子集而无需迭代。大量实验验证表明，所提方法在聚合误差和学习性能方面优于现有方法。
引用
@article{arxiv.2508.00341,
title = {Integrated user scheduling and beam steering in over-the-air federated learning for mobile IoT},
author = {Shengheng Liu and Ningning Fu and Zhonghao Zhang and Yongming Huang and Tony Q. S. Quek},
journal= {arXiv preprint arXiv:2508.00341},
year = {2025}
}
备注
To appear in ACM TOIT. 24 pages, 8 figures