可重构智能表面赋能的空中联邦边缘学习
信息论
2024-10-28 v2 机器学习
网络与互联网体系结构
信号处理
math.IT
摘要
联邦边缘学习(FEEL)已成为在 6G 无线网络边缘开发 AI 服务的革命性范式,因为它支持海量移动设备上的协作模型训练。然而,经由无线信道的模型通信,尤其是 FEEL 的上行模型上传,已被广泛认为是严重限制 FEEL 效率的瓶颈。尽管空中计算可缓解 FEEL 模型上传中无线电资源的过度消耗,空中 FEEL 的实际实现仍面临若干挑战,包括严重的掉队者问题、较大的通信开销以及潜在的隐私泄露。在本文中,我们研究空中 FEEL 中的这些挑战,并利用未来无线系统的关键赋能技术——可重构智能表面(RIS)来应对这些挑战。我们研究了 RIS 赋能 FEEL 的最先进解决方案,并探索采用 RIS 提升 FEEL 性能的有前景的研究机会。
引用
@article{arxiv.2109.02353,
title = {Reconfigurable Intelligent Surface Empowered Over-the-Air Federated Edge Learning},
author = {Hang Liu and Zehong Lin and Xiaojun Yuan and Ying-Jun Angela Zhang},
journal= {arXiv preprint arXiv:2109.02353},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication