面向人工智能的通感一体化：联邦学习中数据采集与传输的权衡框架
信号处理
2026-05-13 v1
摘要
本文为通感一体化（ISAC）系统中的联邦学习（FL）提出了一种资源分配框架，其中我们不仅考虑通过通信进行模型传输的可靠性，还首先考虑通过感知进行数据采集的质量。与假设训练数据已预先收集或仅施加固定感知信噪比（SNR）阈值来反映数据质量的现有工作不同，我们明确刻画了感知数据质量（以感知SNR衡量）、数据集大小与FL训练中上传可靠性之间的关系，并利用这种关系在共享能量预算下分配感知与通信之间的资源。由于感知数据质量、传输可靠性和通信资源分配之间存在复杂的耦合，这并非易事；然而，它实现了一个能直接提升学习性能的原则性联合优化框架。具体而言，我们推导出一个闭式收敛上界，量化了这些因素对FL最优性差距的联合影响。利用该上界，原本棘手的优化问题可被重构为一个可处理的资源分配问题，该问题在每台设备各自能量预算约束下，联合优化感知发射功率、感知快照数量及通信发射功率。为求解重构后的问题，我们提出了一种具有线性复杂度的双层优化算法，其中外层采用黄金分割搜索，内层以闭式解求解每台设备的子问题。
引用
@article{arxiv.2605.11915,
title = {ISAC for AI: A Trade-off Framework Across Data Acquisition and Transfer in Federated Learning},
author = {Lai Jiang and Kaitao Meng and Murat Temiz and Christos Masouros},
journal= {arXiv preprint arXiv:2605.11915},
year = {2026}
}