细胞无感 MIMO 系统中多任务叠加式联邦学习
信号处理
2025-01-31 v1
摘要
无线设备预计将在6G网络中提供广泛的AI服务。无线设备日益增强的计算能力和无线数据的激增动力促使采用基于隐私的联邦学习( FL)。与需要在上行传输中发送大量原始数据的集中式学习不同，联邦学习仅上传本地模型参数。同时，叠加式(OtA)计算被视为通过利用无线多接入信道的叠加特性来实现快速联邦学习模型聚合的通信高效解决方案。在OtA FL 中，所需的通信资源随着FL设备数量而不增长。然而，OtA FL 显著受到不同FL设备经验的不均匀信号衰减的影响。此外，多个具有不同FL任务的FL 组的共存带来了组间干扰。这些挑战无法通过传统的细胞网络架构来妥善解决。最近，细胞无感 Massive MIMO( mMIMO) 作为一种通过联合一致传输提供均匀覆盖和高速率的前景技术而涌现出来。在本文中，我们研究细胞无感 mMIMO 系统中的多任务OtA FL。我们提出了在不同层次的合作下，对传输系数和接收合成器进行最优设计，旨在最小化所有FL 组中OtA模型聚合误差之和。数值结果表明，细胞无感 mMIMO 在适当的合作水平下显著优于传统细胞 mMIMO 在FL 收敛性能方面。
引用
@article{arxiv.2501.17874,
title = {Multi-Task Over-the-Air Federated Learning in Cell-Free Massive MIMO Systems},
author = {Chen Chen and Emil Björnson and Carlo Fischione},
journal= {arXiv preprint arXiv:2501.17874},
year = {2025}
}
备注
This paper has been submitted to IEEE for possible publications. arXiv admin note: text overlap with arXiv:2409.00517