面向计算异构物联网系统中可扩展 AI 的联合通信与空中计算半联邦学习
网络与互联网体系结构
2025-11-19 v2 系统与控制
系统与控制
摘要
物联网系统的激增要求可扩展的人工智能（AI）解决方案，这些解决方案能够在具有不同硬件能力和非独立同分布数据的计算异构环境中运行。本文提出了一种半联邦学习框架，该框架集成了集中式学习（CL）和联邦学习（FL），以在异构物联网设备间实现高效的模型训练。在 SemiFL 中，仅具有充足计算资源的设备被指定用于本地模型训练（称为 FL 用户），而其余设备将原始数据传输至基站（BS）进行远程计算（称为 CL 用户）。这种协作计算框架使得所有物联网设备都能参与全局模型训练，而不受其计算能力和数据分布的限制。此外，为了缓解 SemiFL 的无线电资源稀缺问题，我们提出了一种联合通信与空中计算设计，统一了无线传输与模型聚合。该方法通过允许在空中同时进行通信和计算，降低了延迟并提高了频谱效率。此外，我们设计了一种集成了接收波束成形和连续干扰消除的收发器架构，以减轻多用户干扰，确保在 BS 处实现可靠的聚合。随后，考察了两种场景以评估 SemiFL 在物联网系统中的有效性。仿真结果表明，所提出的基于下一代多址接入的 SemiFL 性能优于基于固定波束成形的 FL 8%，优于基于 AirComp 的 FL 6.4%，证明了其卓越的学习效率和收敛性能。
引用
@article{arxiv.2405.17453,
title = {Joint Communication and Over-the-Air Computation for Semi-Federated Learning Towards Scalable AI in Computing-Heterogeneous IoT Systems},
author = {Wanli Ni and Hui Tian},
journal= {arXiv preprint arXiv:2405.17453},
year = {2025}
}
备注
9 pages, 6 figures