IRS 辅助联邦学习：多址 access 与根本性权衡
信号处理
2025-04-01 v2 分布式、并行与集群计算
摘要
本文研究了一种受 intelligent reflecting surface（IRS）辅助的无线联邦学习（FL）系统，其中一个接入点（AP）协调多个边缘设备以训练机器学习模型，而无需共享其原始数据。在训练过程中，我们利用IRS进行联合信道重配置并进行资源分配设计，以减少FL任务的延迟。特别地，我们提出了三种传输协议以辅助多个设备将本地模型上传至AP，分别是IRS辅助时分多址（I-TDMA）、IRS辅助频分多址（I-FDMA）和IRS辅助非正交多址（I-NOMA），以探讨IRS对FL的多址 access的影响。在这三种协议下，我们在给定训练损失的条件下最小化每个轮次的延迟，联合优化设备调度、IRS相位移和通信计算资源分配。对于I-TDMA下的相关问题，提出了一种高效算法，利用其内在结构进行最优求解；而对于I-FDMA和I-NOMA的问题，则通过调用基于 successive convex approximation（SCA）的算法获得高质量解。随后，我们进一步开发了一个理论框架，用于比较所提出的三种传输协议的性能。揭示了确保I-TDMA优于I-NOMA以及其相反情况的充分条件，这与在无IRS时NOMA总是优于TDMA的体系结构截然不同。仿真结果验证了我们的理论发现，也证明了IRS对于增强学习延迟与学习准确性之间的根本性权衡具有实际价值。
引用
@article{arxiv.2412.00422,
title = {IRS Aided Federated Learning: Multiple Access and Fundamental Tradeoff},
author = {Guangji Chen and Jun Li and Qingqing Wu and Yiyang Ni and Meng Hua},
journal= {arXiv preprint arXiv:2412.00422},
year = {2025}
}