多小区无线网络中空中联邦学习的干扰管理
信号处理
2022-07-19 v1 信息论
机器学习
math.IT
摘要
在资源受限的无线网络上进行的联邦学习（FL）近来备受关注。然而，大多数现有研究考虑单小区无线网络中的单一 FL 任务，并忽略了下行/上行小区间干扰对学习性能的影响。在本文中，我们研究多小区无线网络上的 FL，其中每个小区执行不同的 FL 任务，并采用空中计算（AirComp）以实现快速的上行梯度聚合。我们对 AirComp 辅助的 FL 系统进行收敛分析，同时考虑下行和上行模型/梯度传输中的小区间干扰，分析表明失真的模型/梯度交换会引入一个差距，阻碍 FL 的收敛。我们刻画误差诱导差距区域的帕累托边界，以量化不同 FL 任务间的学习性能权衡，并基于此构建优化问题以最小化所有小区中误差诱导差距之和。为处理下行与上行传输之间以及多小区之间的耦合，我们提出一种协作式多小区 FL 优化框架，以实现下行和上行传输设计的高效干扰管理。结果表明，我们所提算法在多小区上的平均学习性能显著优于非协作基线方案。
引用
@article{arxiv.2206.02398,
title = {Interference Management for Over-the-Air Federated Learning in Multi-Cell Wireless Networks},
author = {Zhibin Wang and Yong Zhou and Yuanming Shi and Weihua Zhuang},
journal= {arXiv preprint arXiv:2206.02398},
year = {2022}
}
备注
This work has been accepted by IEEE Journal on Selected Areas in Communications