优化NOMA传输以推进车联网中的联邦学习
网络与互联网体系结构
2024-08-08 v1 信号处理
摘要
物联网设备在车联网中可以收集多样化的关键数据，如位置信息和驾驶模式，以改善驾驶体验和道路安全。然而，驾驶员由于隐私顾虑往往不愿共享数据。联邦车联网（FVN）是一种有前景的技术，通过传输模型参数而非原始数据来解决这些顾虑，从而保护驾驶员的隐私。然而，联邦学习（FL）在车联网中的性能取决于加入率，而该比率受限于有限的无线资源。为应对这些挑战，本文提出应用非正交多址接入（NOMA）来提高FVN中的加入率。具体而言，开发了一种车辆选择和传输功率控制算法，利用接收信号中的功率域差异，以确保最大数量的车辆能够加入FVN。仿真结果表明，所提出的基于NOMA的策略提高了加入率，并显著增强了FVN的性能。
引用
@article{arxiv.2408.03446,
title = {Optimizing NOMA Transmissions to Advance Federated Learning in Vehicular Networks},
author = {Ziru Chen and Zhou Ni and Peiyuan Guan and Lu Wang and Lin X. Cai and Morteza Hashemi and Zongzhi Li},
journal= {arXiv preprint arXiv:2408.03446},
year = {2024}
}
备注
The paper is accepted by IEEE Globecom 2024