基于异构多模态感知的SoM辅助在线故障诊断预编码：垂直联邦学习方法
信号处理
2026-01-21 v3
摘要
本文研究了以异构多车辆多模态感知(H-MVMM)为辅的在线预编码问题。所提出的H-MVMM方案利用垂直联邦学习(VFL)框架最小化 pilot 序列长度并优化总速率。这为降低频分复用系统的延迟提供了有前景的解决方案。为实现此目标，设计了三个预处理模块将原始感知数据转换为与预编码相关的有信息表示。该方法通过结构化的VFL训练程序有效解决源自多样化机载传感器配置的本地数据异构性问题。此外，引入无标签在线模型更新策略，使H-MVMM方案能够灵活地调整权重。该策略包含基于半监督学习(SSL)方法并结合在线损失函数训练的伪下行信道状态信息标签模拟器(PCSI-Simulator)。数值结果表明，所提出的方法可在接近传统优化技术(即获得完美信道状态信息)的性能方面实现显著的90.6% pilot 序列长度缩减。
引用
@article{arxiv.2506.07535,
title = {Synesthesia of Machines (SoM)-Aided Online FDD Precoding via Heterogeneous Multi-Modal Sensing: A Vertical Federated Learning Approach},
author = {Haotian Zhang and Shijian Gao and Weibo Wen and Xiang Cheng and Liuqing Yang},
journal= {arXiv preprint arXiv:2506.07535},
year = {2026}
}
备注
arXiv admin note: text overlap with arXiv:2501.10941