基于分布式通感一体的垂直联邦边缘学习
信号处理
2022-06-08 v2 计算机视觉与模式识别
网络与互联网体系结构
摘要
本文研究了一种利用分布式通感一体(ISAC)进行协作式物体/人体动作识别的垂直联邦边缘学习(FEEL)系统。在该系统中，分布式边缘设备首先发送无线信号以感知目标物体/人体，然后交换中间计算向量（而非原始感知数据）以实现协作识别，同时保护数据隐私。为提升 FEEL 的频谱与硬件利用效率，我们利用 ISAC 同时进行目标感知与数据交换，在每个边缘设备采用专用的调频连续波(FMCW)信号。在此设置下，我们提出了一种垂直 FEEL 框架，基于所采集的多视角无线感知数据实现识别。在该框架中，每个边缘设备拥有独立的本地 L 模型，将其感知数据转换为维度较低的中间向量，再经公共下游 S 模型传输至协调边缘设备以得到最终输出。以人体动作识别任务为例，实验结果表明，我们基于垂直 FEEL 的方法识别准确率高达 98%，相较包括设备端训练与水平 FEEL 在内的基准方法最高提升 8%。
引用
@article{arxiv.2201.08512,
title = {Vertical Federated Edge Learning with Distributed Integrated Sensing and Communication},
author = {Peixi Liu and Guangxu Zhu and Wei Jiang and Wu Luo and Jie Xu and Shuguang Cui},
journal= {arXiv preprint arXiv:2201.08512},
year = {2022}
}
备注
5 pages, 7 figures, accepted by IEEE Communications Letters