面向 6G 系统中联邦学习赋能的可见光通信
人工智能
2021-10-08 v1 机器学习
摘要
可见光通信（VLC）技术因其简单且低成本的实现而被引入作为下一代无线网络的关键赋能技术。然而，若干挑战阻碍了 VLC 全部潜力的实现，即有限的调制带宽、环境光干扰、光学漫反射效应、器件非线性和随机接收机朝向。相反，集中式机器学习（ML）技术在应对无线通信系统相关不同挑战方面已展现出显著潜力。具体而言，已表明 ML 算法在处理复杂网络任务（如信道均衡、估计与建模、资源分配和机会频谱接入控制等）方面表现出优越能力。尽管如此，将相关客户端的原始数据与服务器共享时所涉及的隐私与通信开销问题，构成了集中式 ML 技术实现中的主要瓶颈。这催生了一种新的分布式 ML 范式，即联邦学习（FL），它可通过在客户端本地协作训练 ML 模型来降低传输原始数据的成本并保护隐私。因此，将 FL 集成到 VLC 网络中显然可提供普适且可靠的 VLC 系统实现。基于此动机，本文是文献中首篇关于 FL 在 VLC 网络中应用的深度综述。为此，除 FL 的不同架构及相关特性外，我们还对基于 FL 的 VLC 系统的主要设计方面提供了全面概述。最后，我们也强调了一些有望显著提升 VLC 系统性能与鲁棒性的 FL 潜在未来研究方向。
引用
@article{arxiv.2110.03319,
title = {Towards Federated Learning-Enabled Visible Light Communication in 6G Systems},
author = {Shimaa Naser and Lina Bariah and Sami Muhaidat and Mahmoud Al-Qutayri and Ernesto Damiani and Merouane Debbah and Paschalis C. Sofotasios},
journal= {arXiv preprint arXiv:2110.03319},
year = {2021}
}