可动天线辅助的联邦学习：定位、波束赋形与用户选择的联合优化
信号处理
2025-04-23 v2
摘要
无线计算中的联邦学习（FL）有效利用通信带宽，但在模拟聚合过程中易受到错误影响。虽然通过移除信道条件不利的用户可以缓解这些错误，但也会减少FL的可用本地训练数据，从而阻碍训练过程的收敛速度。为解决此问题，我们提出使用可动天线（MA）技术来增强信道空间中的自由度，从而提升FL训练的收敛速度。此外，我们开发了一种协调方法，用于上行接收器波束赋形、用户选择和MA定位，以优化动态无线环境中无线FL训练的收敛速度。该随机优化问题通过利用训练损失上界被重新表述为混合整数规划问题。我们然后引入惩罚对偶分解（PDD）方法来求解混合整数混合规划问题。实验结果表明， incorporating MA技术显著加速了FL训练的收敛速度，远超常规方法。
引用
@article{arxiv.2411.06721,
title = {Movable Antenna-Aided Federated Learning with Over-the-Air Aggregation: Joint Optimization of Positioning, Beamforming, and User Selection},
author = {Yang Zhao and Yue Xiu and Minrui Xu and Ning Wei},
journal= {arXiv preprint arXiv:2411.06721},
year = {2025}
}