基于MIMO多址信道的空中联邦多任务学习
信号处理
2022-05-09 v2 机器学习
网络与互联网体系结构
摘要
随着数据和无线设备的爆炸式增长，无线介质上的联邦学习（FL）已成为大规模分布式智能系统的一种有前景的技术。然而，对泛在智能的迫切需求将产生大量并发FL任务，可能严重加剧通信资源的稀缺性。通过利用电磁波的模拟叠加，空中计算（AirComp）是缓解FL所需通信负担的一种引人注目的解决方案。然而，空中计算中频率-时间资源的共享不可避免地带来任务间干扰问题，这构成了需要妥善解决的新挑战。本文中，我们研究基于多输入多输出（MIMO）多址（MAC）信道的空中联邦多任务学习（OA-FMTL）。我们提出了一种用于对齐不同设备本地梯度的新型模型聚合方法，缓解了因信道异构性导致的空中计算中的掉队者问题。我们通过考虑设备间的空间相关性，为所提OA-FMTL方案建立了通信-学习分析框架，并构建了用于收发波束成形与设备选择设计的优化问题。为求解该问题，我们利用交替优化（AO）和分式规划（FP）开发了算法，有效减轻了任务间干扰对FL学习性能的影响。我们表明，由于使用了新的模型聚合方法，设备选择不再必要，从而避免了选择活跃设备所带来的沉重计算负担。数值结果证明了分析的有效性及所提方案的优异性能。
引用
@article{arxiv.2112.13603,
title = {Over-the-Air Federated Multi-Task Learning Over MIMO Multiple Access Channels},
author = {Chenxi Zhong and Huiyuan Yang and Xiaojun Yuan},
journal= {arXiv preprint arXiv:2112.13603},
year = {2022}
}