大规模 MIMO 系统中用于联邦学习的随机正交化方法
信息论
2022-10-19 v1 机器学习
信号处理
math.IT
机器学习
摘要
我们提出了一种新颖的通信设计，称为随机正交化，用于大规模多输入多输出（MIMO）无线系统中的联邦学习（FL）。随机正交化的关键新颖性源于 FL 与大规模 MIMO 的两个独特特性——信道硬化与有利传播——的紧密耦合。因此，随机正交化能够在不要求发送端信道状态信息（CSI）的情况下实现自然的空中模型聚合以完成 FL 的上行链路阶段，同时显著减少接收端的信道估计开销。我们将该原理扩展至下行链路通信阶段，并提出了一种简单但高效的 FL 模型广播方法。我们还放宽了大规模 MIMO 假设，提出了一种增强的随机正交化设计用于上行与下行 FL 通信，其不依赖于信道硬化或有利传播。我们针对通信与机器学习性能两方面进行了理论分析。特别地，建立了收敛速率、客户端数量与天线数量之间的显式关系。实验结果验证了随机正交化在大规模 MIMO 中用于 FL 的有效性与高效性。
引用
@article{arxiv.2210.09881,
title = {Random Orthogonalization for Federated Learning in Massive MIMO Systems},
author = {Xizixiang Wei and Cong Shen and Jing Yang and H. Vincent Poor},
journal= {arXiv preprint arXiv:2210.09881},
year = {2022}
}
备注
31 pages, 7 figures, submitted for possible journal publication