可重构智能表面赋能的联邦学习：一种统一的通信-学习设计方法

为利用移动边缘网络产生的大量数据，联邦学习（FL）已被提出作为集中式机器学习（ML）的一种有吸引力的替代方案。通过在边缘设备上协作训练共享学习模型，与集中式 ML 相比，FL 避免了直接数据传输，从而克服了高通信延迟与隐私问题。为提高 FL 模型聚合中的通信效率，空中计算被引入以利用无线信道的固有叠加特性来支持大量同步本地模型上传。然而，由于边缘设备间通信容量的异构性，空中 FL 遭受掉队者问题，即信道最弱的设备成为模型聚合性能的瓶颈。该问题可通过设备选择在一定程度上缓解，但后者仍面临数据利用与模型通信之间的权衡。本文中，我们利用可重构智能表面（RIS）技术来缓解空中 FL 中的掉队者问题。具体而言，我们开发了一个学习分析框架，定量刻画设备选择与模型聚合误差对空中 FL 收敛性的影响。随后，我们构建一个统一的通信-学习优化问题，以联合优化设备选择、空中收发机设计与 RIS 配置。数值实验表明，所提设计相比最先进方法实现了显著的准确率提升，尤其在边缘设备间信道条件差异剧烈时。