为联邦学习接种疫苗：在分布式无线网络中实现鲁棒的调制分类
分布式、并行与集群计算
2024-10-17 v1 人工智能
摘要
自动调制分类（AMC）在确保分布式无线网络中高效可靠的通信服务方面发挥着关键作用。近期发展表明，基于深度神经网络（DNN）的AMC模型正引起广泛关注，而联邦学习（FL）则逐渐成为一种有前景的框架。尽管已有这些进展，但信号中存在的各种噪声对优化模型以捕获显著特征提出了严峻挑战。此外，现有的基于FL的AMC模型通常依赖线性聚合策略，在实际非独立同分布（non-IID）环境中整合本地精细调谐参数方面面临显著困难，从而阻碍了最优学习收敛。为此，我们提出了FedVaccine——一种新颖的FL模型，旨在通过刻意引入平衡的噪声水平来提高其在不同噪声水平下信号的可泛化能力。这通过我们提出的谐波噪声韧性方法实现，该方法识别出DNN模型的最佳噪声容忍度，从而调节训练过程并缓解过拟合。此外，FedVaccine通过采用结构聚类拓扑和局部队列数据结构的分段学习策略，克服了现有基于FL的AMC模型线性聚合的局限性，实现了对局部模型的自适应和累积更新。我们的实验结果，包括IID和非IID数据集以及消融研究，均确认FedVaccine在不同噪声水平下具有稳健的性能，并优于现有的基于FL的AMC方法。这些发现凸显了FedVaccine在实际无线网络环境中提高AMC系统可靠性和性能的潜力。
引用
@article{arxiv.2410.12772,
title = {Vaccinating Federated Learning for Robust Modulation Classification in Distributed Wireless Networks},
author = {Hunmin Lee and Hongju Seong and Wonbin Kim and Hyeokchan Kwon and Daehee Seo},
journal= {arXiv preprint arXiv:2410.12772},
year = {2024}
}