空中联邦学习中用于收发机设计的知识引导学习
信号处理
2022-03-29 v1
摘要
本文研究通信高效的空中联邦学习（FL），其中多个具有非独立同分布数据集的边缘设备在每个通信轮次执行多次本地迭代，随后通过同一无线信道并发地将更新后的梯度传输至边缘服务器，利用空中计算（AirComp）进行全局模型聚合。我们推导了梯度时间平均范数的上界以刻画AirComp辅助FL的收敛性，该上界揭示了所有通信轮次累积的模型聚合误差对收敛的影响。基于收敛性分析，我们构建了一个最小化该上界以提升学习性能的优化问题，进而提出一种交替优化算法以实现AirComp辅助FL的最优收发机设计。鉴于交替优化算法计算复杂度高，我们进一步开发了知识引导学习算法，该算法利用最优发射功率解析表达式的结构实现低计算复杂度的收发机设计。仿真结果表明，所提知识引导学习算法取得了与交替优化算法相当的性能，但计算复杂度显著降低。此外，两种所提算法在收敛速度与测试精度方面均优于基线方法。
引用
@article{arxiv.2203.14753,
title = {Knowledge-Guided Learning for Transceiver Design in Over-the-Air Federated Learning},
author = {Yinan Zou and Zixin Wang and Xu Chen and Haibo Zhou and Yong Zhou},
journal= {arXiv preprint arXiv:2203.14753},
year = {2022}
}