面向空中联邦学习的学习型数字编码
机器学习
2025-09-23 v1 信号处理
摘要
联邦边缘学习（FEEL）能够在无线设备间进行分布式模型训练，而无需集中原始数据，但其部署受限于无线上行链路。一个有前景的方向是空中（OTA）聚合，它将通信与计算融为一体。现有的数字OTA方法要么能实现强收敛性，要么能实现噪声鲁棒性，但难以同时兼顾两者，这限制了其在许多物联网设备运行的低信噪比（SNR）条件下的性能。本工作提出了一种学习型数字OTA框架，该框架将可靠运行扩展到低SNR条件，同时保持与最先进技术相同的上行链路开销。所提出的方法结合了一个展开式解码器和一个联合学习的无源随机接入码本。结果显示，可靠运行范围扩展了超过7 dB，且在所有SNR水平上全局模型收敛性均得到改善，突显了基于学习的设计在联邦边缘学习中的潜力。
引用
@article{arxiv.2509.16577,
title = {Learned Digital Codes for Over-the-Air Federated Learning},
author = {Antonio Tarizzo and Mohammad Kazemi and Deniz Gündüz},
journal= {arXiv preprint arXiv:2509.16577},
year = {2025}
}