面向大规模网络中空中联邦学习的随机聚合波束成形
信息论
2024-03-29 v1 人工智能
机器学习
math.IT
摘要
目前，在网络边缘部署无处不在的人工智能（AI）应用已成为一种趋势。作为实现安全边缘智能的有前景框架，联邦学习（FL）受到了广泛关注，并且空中计算（AirComp）被集成以进一步提高通信效率。在本文中，我们考虑联合设备选择和聚合波束成形设计，目标是最小化聚合误差并最大化选定设备的数量。这产生了一个组合问题，在大规模网络中尤其难以解决。为了以高性价比的方式解决这些问题，我们提出了一种基于随机聚合波束成形的方案，该方案通过随机采样而非优化来生成聚合波束成形向量。所提方案的实现不需要信道估计。我们额外使用渐近分析来研究当设备数量变大时获得的聚合误差和选定设备数量。此外，还提出了一种使用多次随机化的改进方法以提升性能。给出了广泛的仿真结果，以证明所提的基于随机聚合波束成形的方案以及改进方法的有效性。
引用
@article{arxiv.2403.18946,
title = {Random Aggregate Beamforming for Over-the-Air Federated Learning in Large-Scale Networks},
author = {Chunmei Xu and Shengheng Liu and Yongming Huang and Bjorn Ottersten and Dusit Niyato},
journal= {arXiv preprint arXiv:2403.18946},
year = {2024}
}
备注
30 pages, 11 figures