感知尾延迟的捏合天线联邦学习：延迟、参与与部署
信息论
2026-01-27 v1 math.IT
摘要
落后节点同步是同步无线联邦学习（FL）中主要的挂钟时间瓶颈。然而，在非独立同分布数据下，仅激进采样快速客户端可能会因统计异质性而显著减慢收敛速度。本文研究了PASS使能的FL，其中辐射捏合天线（PA）可以沿介电波导在任意位置被激活以重塑上行链路延迟。我们考虑了PA部署和客户端参与的联合优化，以最小化达到精度所需时间，通过次序统计量将精确的预期最大轮延迟与异质性感知收敛因子耦合。我们推导了一阶最优性条件，揭示了KKT递归中显式的尾延迟溢价，量化了最大次序统计量同步如何放大延迟差距。在延迟类别结构下，我们获得了类内平方根采样定律，并建立了一个两类相变：随着每轮样本量的增加，在显式的异质性阈值条件下，慢类参与发生崩溃。对于PA部署，我们证明了分段包络导数表征，并提供了精确的断点与根候选枚举程序。仿真结果验证了理论发现，并表明PASS实现了更多合格的参与，产生了更高的挂钟时间精度。
引用
@article{arxiv.2601.18097,
title = {Tail-Latency-Aware Federated Learning with Pinching Antenna: Latency, Participation, and Placement},
author = {Yushen Lin and Zhiguo Ding},
journal= {arXiv preprint arXiv:2601.18097},
year = {2026}
}