可重构智能表面辅助无线边缘网络的联邦频谱学习

对智能频谱感知的日益关注要求高效的训练与推理技术。本文提出一种新颖的联邦学习（FL）框架，称为联邦频谱学习（FSL），其利用了可重构智能表面（RIS）的优势并克服了深度衰落信道的不利影响。特别地，我们通过在每个 RIS 控制器上部署一个完全训练的卷积神经网络（CNN）模型，赋予传统 RIS 以频谱学习能力，从而在每个训练迭代开始时帮助基站协同推断请求参与 FL 的用户。为充分挖掘 FL 与 RIS 的潜力，我们解决了三个技术挑战：RIS 相移配置、用户-RIS 关联和无线带宽分配。所得到的联合学习、无线资源分配与用户-RIS 关联设计被建模为一个优化问题，其目标是在考虑 FL 预测精度影响的同时最大化系统效用。在此情形下，FL 预测精度与资源优化性能相互制约。具体而言，若所训练 CNN 模型的精度下降，资源分配性能便会恶化。所提 FSL 框架使用真实射频（RF）迹线进行测试，数值结果证明了其在频谱预测精度与系统效用方面的优势：RIS 及反射单元数量越多，可获得更好的 CNN 预测精度与 FL 系统效用。