智能反射面赋能的 QoS 约束联邦学习
信息论
2021-03-23 v1 系统与控制
系统与控制
math.IT
摘要
本文研究空中联邦学习(AirFL)系统中的模型聚合过程,其中部署智能反射面(IRS)以辅助用户到基站(BS)的传输。为克服缺乏对恶意个体安全审查的缺陷,采用连续干扰消除(SIC)作为基础,以支持分析来自设备的模型参数的统计特性。本文的目标是在设备发射功率约束、反射单元单位模约束、SIC解码顺序约束和服务质量(quality-of-service)约束下,通过联合优化 BS 处接收波束成形向量、用户处发射功率分配以及 IRS 的相移矩阵,最小化均方误差。为解决这一复杂问题,采用交替优化将其分解为三个子问题,其中第一个子问题通过拉格朗日对偶法求解得到最优接收波束成形向量。随后,对发射功率分配子问题应用凸松弛方法以求得次优解。最后,通过半定松弛处理相移矩阵子问题。仿真结果验证了 IRS 的可用性以及所提方案在提升联邦学习性能方面的有效性。
引用
@article{arxiv.2103.11551,
title = {QoS-Constrained Federated Learning Empowered by Intelligent Reflecting Surface},
author = {Jingheng Zheng and Wanli Ni and Hui Tian},
journal= {arXiv preprint arXiv:2103.11551},
year = {2021}
}