RIS 赋能的城市空中交通分布式学习拓扑控制
信息论
2024-03-11 v1 机器学习
网络与互联网体系结构
math.IT
摘要
城市空中交通（UAM）将交通工具从地面扩展至近地空间，被视为交通运输系统的革命。全面的场景感知是自主空中驾驶的基础。然而，UAM 面临智能感知挑战：高感知学习需求与飞行汽车有限的传感器和计算芯片之间存在冲突。为克服这一挑战，联邦学习（FL）及其他协同学习方案被提出，以使资源受限设备能够协同进行车载深度学习（DL）。但传统的协同学习（如 FL）依赖中央集成器进行 DL 模型聚合，难以在动态环境中部署。完全去中心化的学习方案虽是直观解法，却无法保证分布式学习的收敛性。为此，本文探索可重构智能表面（RIS）赋能的分布式学习，结合拓扑属性以促进学习性能并保证收敛性。我们提出了若干 FL 拓扑准则，通过利用通信网络的拉普拉斯矩阵特征值来优化传输延迟和收敛速率。随后，我们创新性地利用 RIS 的链路修改能力，根据提出的拓扑准则重塑当前网络。本文从网络层视角重新审视了 RIS 的功能。此外，开发了一种基于深度确定性策略梯度的 RIS 相移控制算法，以同时构建或解构网络链路，从而重塑通信网络。我们在基于 MobileNet 的多视图学习上进行了仿真实验，验证了该分布式 FL 框架的有效性。
引用
@article{arxiv.2403.05133,
title = {RIS-empowered Topology Control for Distributed Learning in Urban Air Mobility},
author = {Kai Xiong and Rui Wang and Supeng Leng and Wenyang Che and Chongwen Huang and Chau Yuen},
journal= {arXiv preprint arXiv:2403.05133},
year = {2024}
}