智能反射面辅助联邦学习：一种宽带空中聚合方法
信息论
2023-10-12 v1 信号处理
math.IT
摘要
我们考虑一种用于无线联邦学习（FL）系统的宽带空中计算赋能的模型聚合方法，并提议利用智能反射面（IRS）来对抗无线衰落与噪声。我们首先研究传统的基于节点选择的框架，其中在模型聚合中丢弃少数边缘节点以控制聚合误差。我们分析了该基于节点选择框架的性能，并推导了其性能损失的上界，表明该上界与所选边缘节点相关。随后，我们通过优化所选边缘节点、其发送均衡系数、IRS相移以及云服务器的接收因子，来最小化期望全局梯度参数与实际接收参数之间的均方误差（MSE）。借助矩阵提升技术与凸差规划，我们成功将所表述的优化问题转化为凸问题，并使用现成求解器求解。为提升学习性能，我们进一步提出基于权重选择的FL框架。在该框架中，我们在模型聚合中为各边缘节点分配适当权重系数而非丢弃任一节点以减小聚合误差，即不需要对不同边缘节点接收到的本地梯度参数进行幅度对齐。我们也分析了该基于权重选择框架的性能并推导其性能损失上界，随后通过优化边缘节点的权重系数、其发送均衡系数、IRS相移以及云服务器的接收因子来最小化MSE。此外，我们使用MNIST数据集进行仿真以评估基于节点选择和基于权重选择两种FL框架的性能。
引用
@article{arxiv.2310.07405,
title = {IRS Assisted Federated Learning A Broadband Over-the-Air Aggregation Approach},
author = {Deyou Zhang and Ming Xiao and Zhibo Pang and Lihui Wang and H. Vincent Poor},
journal= {arXiv preprint arXiv:2310.07405},
year = {2023}
}
备注
This paper has been accepted by IEEE Transactions on Wireless Communications