基于夹捏天线的联邦学习：尾部延迟、参与度与收敛性分析
信息论
2025-10-28 v1 math.IT
摘要
无线网络中的联邦学习（FL）受限于不可预测信道条件导致的掉队者延迟。本文研究了夹捏天线系统（PASS），该系统通过沿介质波导动态“夹捏”辐射体来缩短最差链路。在同步FL（SFL）中，我们证明PASS缩短了最差链路距离，并提高了异步FL（AFL）中按时完成的概率。因此，SFL在轮次时间上表现出随机优势，而AFL则获得了明确的延迟和参与度增益。然后，我们将物理层（PHY）感知采样与误差反馈压缩相结合，并证明夹捏提高了最小包含概率，从而在Lyapunov分析中缩小了采样变异性和压缩引起的下限。仿真结果展示了一致的挂钟加速和显著缩短的延迟尾部。通过在物理层根源上解决掉队者问题，PASS补充了高层调度，并加速了SFL和AFL中的无线FL。
引用
@article{arxiv.2510.23315,
title = {Pinching-antenna-enabled Federated Learning: Tail Latency, Participation, and Convergence Analysis},
author = {Yushen Lin and Zihan Chen and Zhiguo Ding},
journal= {arXiv preprint arXiv:2510.23315},
year = {2025}
}
备注
13 pages, 8 figures