具有下行波束成形的多模型无线联邦学习

本文研究了用于同时训练多个机器学习模型的无线联邦学习（FL）设计。我们考虑了轮询式的设备-模型分配以及用于并发多模型更新的下行波束成形。在构建联合上行-下行传输过程后，我们推导了通信轮次中每个模型的全局更新表达式，该表达式捕捉了波束成形和噪声接收的影响。为了最大化多模型训练收敛速率，我们推导了全局模型更新最优性间隙的上界，并利用其来构建多组多播波束成形问题。我们证明，该问题可以转化为最小化接收信干噪比倒数之和，并可以通过投影梯度下降法高效求解。仿真表明，我们提出的多模型 FL 方案优于其他替代方案，包括传统的单模型顺序训练和多模型迫零波束成形。