用于协作频谱感知的在线垂直联邦学习
机器学习
2023-12-19 v1 网络与互联网体系结构
信号处理
摘要
无线通信需求的日益增长凸显了优化射频频谱利用的必要性。利用未充分利用的授权频段的有效策略是协作频谱感知（CSS），它使多个次要用户（SUs）能够在访问授权频谱之前协同检测主要用户（PUs）的频谱使用情况。机器学习的日益普及促使传统的 CSS 方法向基于深度学习的方法转变。然而，基于深度学习的 CSS 方法通常依赖于集中式学习，带来了通信开销和数据隐私风险等挑战。最近的研究表明，垂直联邦学习（VFL）是一种潜在的解决方案，其核心概念是将深度神经网络划分为不同的段，每段单独训练。然而，现有的基于 VFL 的 CSS 工作未能完全解决流数据和目标偏移带来的实际挑战。在这项工作中，我们引入了在线垂直联邦学习（OVFL），这是一个旨在解决持续数据流和学习目标偏移挑战的鲁棒框架。我们的理论分析表明，OVFL 实现了次线性遗憾界，从而证明了其效率。实验的实证结果表明，OVFL 在 CSS 任务中优于基准方法。我们还探讨了各种参数对学习性能的影响。
引用
@article{arxiv.2312.11363,
title = {Online Vertical Federated Learning for Cooperative Spectrum Sensing},
author = {Heqiang Wang and Jie Xu},
journal= {arXiv preprint arXiv:2312.11363},
year = {2023}
}