物理启发的分布式无线电地图估计
机器学习
2025-02-04 v1 分布式、并行与集群计算
信号处理
摘要
为了全面了解复杂无线环境中的频谱覆盖情况，最近引入了数据驱动的学习方法用于无线电地图估计（RME）。虽然现有的基于深度学习的方法利用从感兴趣区域内分散传感器收集的频谱测量数据进行RME，但它们依赖于融合中心的集中式数据，这引发了关于数据隐私泄露和高通信开销的关键担忧。联邦学习（FL）通过允许多个客户端在不直接共享本地数据的情况下协作进行模型训练，增强了RME中的数据安全性和通信效率。然而，由于客户端之间因缺乏或不准确的景观信息而存在的任务异质性问题，可能会阻碍基于FL的RME的性能。为填补这一空白，本文提出了一种在缺乏景观信息情况下的物理启发分布式RME解决方案。其主要思想是通过利用无线电传播模型的领域知识，并设计一种新的分布式学习方法，将整个RME模型拆分为两个模块，从而开发出一个新颖的分布式RME框架。一个全局自编码器模块在客户端之间共享，以捕捉对无线电传播模式的共同路径损耗影响，而一个客户端特定的自编码器模块则专注于学习由局部环境中独特建筑分布产生的局部阴影效应所带来的个体特征。仿真结果表明，我们提出的方法在实现更高性能方面优于基准方法。
引用
@article{arxiv.2502.00319,
title = {Physics-Inspired Distributed Radio Map Estimation},
author = {Dong Yang and Yue Wang and Songyang Zhang and Yingshu Li and Zhipeng Cai},
journal= {arXiv preprint arXiv:2502.00319},
year = {2025}
}