OFDMA-F$^2$L: Federated Learning With Flexible Aggregation Over an OFDMA Air Interface
本文提出OFDMA-F$^2$L框架，通过优化客户端、子信道和调制选择以适应信道与算力，最大化加权和速率，显著提升了基于OFDMA空中接口的联邦学习的收敛速度与准确率。
2023-11-25 eess.SP
Distributed Average Consensus via Noisy and Non-Coherent Over-the-Air Aggregation
针对分布式平均一致性需求，提出一种基于空中聚合的通信高效协议，利用无线信道叠加特性，在噪声、非相干传输及半双工条件下实现均方及几乎必然一致性，可拓展至时变拓扑，仿真验证了其有效性。
2024-03-11 cs.SY eess.SP eess.SY
Movable Antenna-Aided Federated Learning with Over-the-Air Aggregation: Joint Optimization of Positioning, Beamforming, and User Selection
针对无线联邦学习模拟聚合易出错且用户剔除影响收敛的问题，提出可移动天线技术增强信道自由度，并联合优化波束成形、用户选择与天线定位，以提升训练收敛速度，实验验证其显著优于传统方法。
2025-04-21 eess.SP
Over-the-Air Computation via Cloud Radio Access Networks
空中计算（Over-the-Air Computation，AirComp）利用多址信道的叠加特性，在无线网络中通过融合中心实现快速分布式数据聚合，是一种很有前途的方案。由于使用AirComp为大量设备提供可靠的数据聚合具有挑战性，因此在本文中，我们建议通过云无线电接入网络（Cloud-RAN）架构启用AirComp，其中大量天线部署在称为远程无线电头端（RRH）的单独站点。然而，Cloud-RAN提供的潜在致密化增益通常受到连接RRH和融合中心的前传链路的有限容量的限制。为此，我们制定了一个联合设计问题的AirComp收发器和量化比特分配，并提出了一个有效的算法来解决这个问题。我们的数值结果表明，所提出的架构相比，国家的最先进的解决方案的优势。
2021-06-22 eess.SP
AirMoE: Realizing Over-the-Air Distributed Mixture-of-Experts Inference at the Wireless Edge
The University of Hong Kong（香港大学）
AirMoE是利用AirComp实现无线分布式MoE推理的框架，通过双时间尺度策略解决AirComp带来的挑战，在ARC-Easy基准上显著提升了E2E推理准确性，尤其适用于强设备异构场景。
2026-08-27 eess.SP
Time-Slotted Multi-Cluster UAV AirComp with Energy-Awareness: A Pointer Network-Assisted Soft Actor-Critic Learning Framework
Northwestern Polytechnical University（西北工业大学）；Xi’an Jiaotong University（西安交通大学）；Singapore University of Technology and Design（新加坡科技设计大学）
提出无人机辅助的空中计算系统，通过联合优化波束成形、归一化因子、传感器调度和无人机轨迹，最小化聚合误差和能耗，并采用分层学习框架（指针网络和软演员-评论家）求解。
2026-06-17 eess.SP
Pinching Antenna System-Assisted Hybrid AirComp-NOMA Uplink: Joint Precoding and Antenna Placement Optimization
University of Quebec in Montreal (UQAM)（蒙特利尔大学）；University of Quebec at Chicoutimi (UQAC)（沙蒂穆瓦大学）；Concordia University（康考迪亚大学）
本文研究了一种整合AirComp和NOMA的混合上行链路架构，通过联合优化预编码和天线布置提升分布式数据聚合与个体通信性能。
2026-04-14 eess.SP
Uplink Over-the-Air Aggregation for Multi-Model Wireless Federated Learning
本文针对无线联邦学习提出上行空口聚合方法以同时训练多个模型，通过推导最优性间隙上界并设计联合收发波束成形优化，结合块坐标下降求解，显著优于传统单模型顺序训练。
2024-09-02 cs.IT eess.SP math.IT
Over-the-Air Computing for Wireless Data Aggregation in Massive IoT
无线数据聚合（wireless data aggregation，WDA），指的是聚合分布在设备（例如，传感器和智能手机），是5G及以后机器类型通信中的常见操作，以支持物联网（IoT），这为分布式传感，学习和控制等多样化应用奠定了基础。传统的WDA技术是基于通信和计算分离的原理设计的，在有限的无线资源和新兴应用（例如，自动驾驶）施加的严格延迟约束下，难以适应大规模接入。为了解决这个问题，空中计算（AirComp）正在开发作为一种新的WDA解决方案，通过无缝集成计算和通信。通过利用多路访问信道的波形叠加特性，AirComp将空气变成计算机，用于在许多设备上计算和传输分布式数据的功能，从而允许在大规模设备上进行低延迟WDA。鉴于人们对AirComp的兴趣日益增长，本文通过介绍基本原理，讨论先进技术和应用，并确定有前途的研究机会，及时概述了该技术。
2020-11-14 cs.IT cs.NI eess.SP
AirGC-CD: Gaussian-Circulant Precoding for Exactly Debiasable PAPR Reduction in Over-the-Air Federated Learning
Chungnam National University（忠南大学）；Institute of New Media and Communications（新媒体与通信研究所）；Seoul National University（首尔大学）
针对空中联邦学习中PAPR高和传输未压缩的问题，提出AirGC-CD方案，用部分高斯循环预编码实现精确无偏削波并压缩传输，在低SNR下优于基线。
2026-09-22 cs.LG eess.SP
Multi-Sensor Scheduling for Remote State Estimation over Wireless MIMO Fading Channels with Semantic Over-the-Air Aggregation
EURECOM（欧洲通信研究所）；University of Granada（格拉纳达大学）
本文提出了一种基于语义空中聚合的多传感器调度方法，通过动态规划和正半定锥分解，实现无线MIMO衰落信道中的高效远程状态估计。
2026-02-04 cs.SY eess.SP eess.SY
Reduced-Dimension Design of MIMO Over-the-Air Computing for Data Aggregation in Clustered IoT Networks
物联网（IoT）网络的一个基本操作是通过无线信道聚合分布式感测数据以用于函数计算，称为无线数据聚合（WDA）。针对密集传感器，最近开发的技术称为空中计算（AirComp），可以通过使用多访问信道的波形叠加属性“空中”聚合分布式数据来显著降低WDA延迟。在这项工作中，我们设计了多输入多输出（MIMO）AirComp，用于计算集群物联网网络中的向量值函数，其中多天线传感器形成集群，多天线接入点（AP）执行WDA。由此产生的高维但低秩MIMO信道使得降低AirComp中的信道或信号维度以避免暴露于来自信道零空间的噪声变得重要。受此启发，我们开发了一个降维MIMO AirComp的框架，具有分解聚合波束成形（DAB）。考虑具有非重叠到达角范围的可分离信道簇的情况。最优DAB具有这样的结构，其中内部分量提取相应信道簇的主导特征空间，并且外部分量联合均衡所得到的低维信道。考虑更复杂的不可分簇的情况。我们提出了一个次优的DAB设计，其中的内组件进行降维和联合均衡集群信道协方差矩阵和外组件联合均衡的小规模衰落信道。此外，有效的算法，利用AirComp原则的各个DAB组件和信道反馈的排名优化。
2018-12-06 cs.IT cs.NI eess.SP
Hybrid Beamforming and Waveform Design for Over-the-air Integrated Signal
本文针对车联网中多操作分离导致的干扰与低效问题，提出基于混合波束成形的空中集成框架，利用交替优化、逐次凸逼近、黎曼共轭梯度及半定松弛方法联合优化数字预编码器、混合组合器与波形设计，数值结果验证了该方法的有效性。
2024-09-23 eess.SP
Performance Analysis of Fluid Antenna-Assisted Over-the-Air Federated Learning Under Spatially Correlated Fading
Ferdowsi University（Ferdowsi大学）；University of Quebec in Montreal (UQAM)（蒙特利尔魁北克大学）；Laval University（拉瓦尔大学）；Central China Normal University（华中师范大学）
本文研究流天线技术在空中联邦学习中的应用，通过动态选择天线位置提升聚合可靠性和用户参与度，推导出聚合误差 outage 概率和参与用户数的闭合表达式。
2026-05-07 eess.SP
Distributed Average Consensus in Wireless Multi-Agent Systems with Over-the-Air Aggregation
针对无线网络多智能体系统平均一致性问题，提出结合空中聚合技术的改进比率一致性算法，通过新增归一化步骤补偿信道系数，在噪声可忽略的时变/时不变信道下可渐近收敛，经仿真验证有效。
2025-07-30 cs.SY eess.SP eess.SY
Fast Pinching-Antenna Activation for AirComp
China Telecom Beijing Research Institute（中国电信北京研究院）；University of Alberta（阿尔伯塔大学）；Queen Mary University of London（伦敦玛丽女王大学）
研究用于AirComp的PASS离散激活问题，通过推导最优聚合向量、MSE表达式及一阶递归，开发贪心搜索、波束搜索和相干聚合搜索快速树搜索方法，显著提高了PASS相对于传统天线阵列的AirComp精度。
2026-07-13 eess.SP
Knowledge-Guided Learning for Transceiver Design in Over-the-Air Federated Learning
在本文中，我们考虑了通信高效的空中联合学习（FL），其中具有非独立和相同分布数据集的多个边缘设备在每个通信回合中执行多次本地迭代，然后通过相同的无线电信道将其更新的梯度同时传输到边缘服务器，以使用空中计算（AirComp）进行全局模型聚合。我们推导出时间平均范数的梯度的上界来表征AirComp-assisted FL的收敛性，这揭示了在所有通信回合中积累的模型聚合误差对收敛性的影响。基于收敛性分析，我们制定了一个优化问题，以最小化上界，以提高学习性能，其次提出了一个交替优化算法，以促进最佳的收发器设计的AirComp-assisted FL。由于交替优化算法具有高计算复杂度，我们进一步开发了知识引导的学习算法，其利用最优发射功率的解析表达式的结构来实现计算高效的收发器设计。仿真结果表明，该算法与交替优化算法相比，具有较低的计算复杂度。此外，这两种算法优于基线方法的收敛速度和测试精度。
2022-03-28 eess.SP
Riemannian Low-Rank Model Compression for Federated Learning with Over-the-Air Aggregation
Shenzhen Research Institute of Big Data（深圳大数据研究院）；Hong Kong University of Science and Technology（香港科技大学）
本文针对联邦学习中的低秩模型压缩问题，提出一种基于黎曼流形优化的不放宽低秩约束的新方法，并设计带预编码器的交替优化算法以支持高效的空中聚合，实验证明其优于现有基线。
2023-06-04 cs.LG eess.SP
Over-the-Air Federated Learning Over MIMO Channels: A Sparse-Coded Multiplexing Approach
本文针对空中联邦学习（OA-FL）的通信瓶颈，提出稀疏编码复用（SCoM）方法结合MIMO技术平衡通信开销与学习性能，推导了性能损失上界，并基于AO和ADMM设计低复杂度算法以最小化梯度聚合误差。
2023-04-10 eess.SP
Semi-Asynchronous Federated Edge Learning Mechanism via Over-the-air Computation
Tsinghua University（清华大学）；Peng Cheng Laboratory（鹏城实验室）
本文提出半异步联邦边缘学习机制PAOTA，结合空中计算并通过调节上行发射功率最小化收敛上界，在异构环境下以更短训练时间达到接近理想Local SGD的精度。
2023-05-30 cs.LG cs.NI eess.SP
Integrated Sensing, Communication, and Computation Over-the-Air in OFDM Systems
本文针对上行OFDM系统中的ISCC场景，通过联合优化发射向量与聚合向量最小化计算MSE，并提出两阶段迭代算法求解非凸问题，仿真验证了其有效性。
2025-06-30 eess.SP
Bayesian AirComp with Sign-Alignment Precoding for Wireless Federated Learning
POSTECH（浦项工科大学）
在本文中，我们考虑的问题，无线联邦学习的符号随机梯度下降（signSGD）算法的基础上，通过多址接入信道。当发送本地计算的梯度的符号信息时，每个移动终端需要应用预编码以规避无线衰落效应。然而，实际上，在所有移动设备处获取信道状态信息（CSI）的完美知识是不可行的。在本文中，我们提出了一个简单而有效的预编码方法，有限的信道知识，称为符号对齐预编码。符号对齐预编码的思想是保护符号翻转错误免受无线衰落的影响。在局部梯度的高斯先验假设下，我们还推导出了均方误差（MSE）最优聚集函数，称为贝叶斯空中计算（BayAirComp）。我们的关键发现是，即使使用完美的CSI与AirComp聚合，BayAirComp聚合的一位预编码也可以提供比现有预编码方法更好的学习性能。
2021-09-14 cs.LG eess.SP
Over-the-Air Federated Edge Learning with Error-Feedback One-Bit Quantization and Power Control
空中联合边缘学习（Air-FEEL）是使用分布在边缘设备处的训练数据的分布式机器学习的通信高效框架。该框架使所有边缘设备能够在整个可用带宽上同时传输模型更新，从而实现空中聚合。最近提出了一种1比特数字空中聚合（OBDA）方案，其特征在于边缘设备处的1比特梯度量化和边缘服务器处的基于多数表决的解码。然而，低分辨率的一位梯度量化减慢了模型的收敛速度，导致性能下降。另一方面，Air-FEEL中由衰落信道引起的聚合误差仍有待解决。为了解决这些问题，我们提出了错误反馈的一位宽带数字聚合（EFOBDA）和优化的功率控制策略。为此，我们首先提供了一个理论分析，以评估误差反馈对FL与EFOBDA的收敛性的影响。分析结果表明，通过设置一个适当的反馈强度，EFOBDA是可比的空气FEEL没有量化，从而提高了OBDA的性能。然后，我们进一步介绍了一种功率控制策略，通过最大化的收敛速度下的瞬时功率约束。实验结果表明，与无误差反馈的1比特量化方案和优化的功率控制策略相比，该方案在图像分类任务中具有更快的收敛速度和更高的测试精度.
2023-03-20 cs.IT eess.SP math.IT
Optimized Power Control Design for Over-the-Air Federated Edge Learning
研究了空中联合边缘学习（Air-FEEL）系统中的发射功率控制问题。不同于传统的功率控制设计（例如，以最小化每轮空中聚合的个体均方误差（MSE）），我们考虑一种新的功率控制设计，其目的在于直接最大化收敛速度。为此，我们首先分析的收敛行为的空气感觉（在最优性差距方面）在不同的通信回合的聚合错误。结果表明，如果聚集估计是无偏的，则训练算法在温和的条件下会精确收敛到最优点;如果聚集估计是有偏的，则训练算法会收敛到一个由累积估计偏差决定的误差平层。接下来，在收敛结果的基础上，我们优化了功率控制，以直接最小化有偏和无偏聚合下的最优性差距，并在各个边缘设备上受到一组平均和最大功率约束。我们将这两个问题转化为凸形式，并获得其结构化的最优解，都出现在正则化的通道反演的形式，通过使用拉格朗日对偶方法。最后，数值计算结果表明，所提出的功率控制策略实现了更快的收敛空气FEEL相比，基准政策与固定的功率传输或传统的MSE最小化。
2021-11-09 cs.IT eess.SP math.IT
Optimized Power Control for Over-the-Air Federated Edge Learning
空中联合边缘学习（Air-FEEL）是一种用于通过无线网络进行隐私保护分布式学习的通信高效解决方案。Air-FEEL通过利用无线信道的波形叠加特性，允许梯度/模型更新的“一次性”空中聚合，因此保证了与网络大小无关的极低聚合延迟。然而，这样的通信效率可能以学习性能下降为代价，这是由于设备上的非均匀信道衰落和噪声扰动引起的聚合误差。先前的工作采用信道反转功率控制（或其变体）来通过对齐信道增益来减少聚合误差，然而，由于噪声放大，这在深度衰落场景中可能是高度次优的。为了克服这个问题，我们研究了功率控制优化，以提高Air-FEEL的学习性能。为此，我们首先分析的收敛行为的空气感觉推导出的最优差距的损失函数下的任何给定的功率控制策略。然后，我们优化功率控制，以最大限度地减少最优性差距，加速收敛，在边缘设备的平均和最大功率约束。由于功率控制变量在不同设备和迭代上的耦合，该问题通常是非凸的并且具有挑战性。为了解决这一挑战，我们开发了一个有效的算法，联合利用连续凸逼近（SCA）和信赖域方法。数值结果表明，优化的功率控制策略实现了显着更快的收敛速度比基准政策，如信道反转和均匀的功率传输。
2020-11-11 cs.IT eess.SP math.IT
Robust and Efficient Average Consensus with Non-Coherent Over-the-Air Aggregation
针对无线多智能体系统中非相干空中聚合引入偏差的问题，本文将平均共识建模为分布式优化问题，提出基于去中心化投影梯度下降的鲁棒算法，并结合功率控制与接收缩放机制，实现无偏且更快的平均共识。
2025-04-08 cs.IT cs.SY eess.SP
Distribution-Level AirComp for Wireless Federated Learning under Data Scarcity and Heterogeneity
School of Electronics and Electrical Engineering, Hongik University（弘益大学电子电气工程学院）；Department of Electrical and Computer Engineering, Sungkyunkwan University（成均馆大学电气与计算机工程学院）
针对无线联邦学习在数据稀缺与异构下的挑战，提出贝叶斯分布级聚合框架，通过传输兼容重构实现空中计算，并设计功率控制策略，显著提升准确率与校准性能。
2026-09-09 eess.SP
Power-Efficient Over-the-Air Aggregation with Receive Beamforming for Federated Learning
本文研究了采用空中模拟聚合和多天线波束成形的联邦学习高能效上行传输设计，通过联合优化设备发射权重和接收波束成形以最小化总发射功率，并提出考虑不完美CSI的联合波束成形算法，在保证收敛和精度的同时显著降低功耗。
2025-01-29 cs.IT eess.SP math.IT
Federated Learning via Active RIS Assisted Over-the-Air Computation
针对AirComp联邦学习中的梯度聚合误差问题，提出联合优化收发器与有源RIS配置，并用两层交替优化框架求解，仿真验证其优于无源RIS。
2023-11-07 cs.IT eess.SP math.IT
Error Analysis for Over-the-Air Federated Learning under Misaligned and Time-Varying Channels
本文针对OFDM空中联邦学习中设备移动性导致的信道失配与时变问题，推导单轮及多轮全局模型更新的误差闭式表达式和累积误差上界，并通过数值仿真验证理论分析。
2025-08-27 eess.SP
Multi-Level Over-the-Air Aggregation of Mobile Edge Computing over D2D Wireless Networks
在本文中，我们考虑一种基于无线多跳设备到设备（D2 D）的移动边缘计算（MEC）系统，其中目标无线设备（WD）被安排计算列线图函数。在MapReduce框架下，通过减少通信资源开销，提出了一种新的多层次空中（OTA）聚合方案，目的WD在数据洗牌阶段从多个源WD收集个体部分聚合中间值（IVAs）进行缩减.对于每个级别的OTA聚合，源WD在相同的时间频率资源块上的传输中采用乘以它们各自的发送系数的信道逆结构，并且目的地WD最终使用接收滤波因子来构造聚合的IVA。在这种设置下，我们开发了一个统一的收发器设计框架，该框架通过联合优化源WD的各个发射系数和目的地WD的接收滤波因子，使在受源WD的各个功率约束的目的地WD处的聚合IVA的均方误差（MSE）最小化。首先，基于原始分解方法，我们推导出了公共传输系数特殊情况下的封闭解。结果表明，所有源WD的公共发射取决于源WD之间的最小发射功率预算。接下来，对于一般情况下，我们将原问题转化为一个二次分式规划问题，然后开发一个低复杂度的算法，以获得（近）最佳的解决方案，利用Dinkelbach的算法与高斯随机化方法。
2021-05-02 cs.IT eess.SP math.IT
Over-the-Air Federated Learning with Enhanced Privacy
联邦学习（FL）已经成为一种很有前途的学习范式，其中只有局部模型参数（梯度）是共享的。私人用户数据永远不会离开本地设备，从而保护数据隐私。然而，最近的研究表明，即使用户从不共享本地数据，在没有保护的情况下交换模型参数也会泄露私人信息。此外，在无线系统中，模型参数的频繁传输会造成巨大的带宽消耗和网络拥塞时，模型是大的。为了解决这个问题，我们提出了一个新的FL框架，有效的空中参数聚合和强大的隐私保护的用户数据和模型。我们通过在终端设备上引入成对可消除的随机人工噪声（PCR-AN）来实现这一点。与现有的基于空中计算（AirComp）的FL方案相比，我们的设计提供了更强的隐私保护。我们分析了所提出的无线FL聚合算法的保密能力和收敛速度。
2022-12-22 cs.CR eess.SP
One-Bit Over-the-Air Aggregation for Communication-Efficient Federated Edge Learning: Design and Convergence Analysis
联合边缘学习（FEEL）是用于使用分布在边缘设备（例如，智能手机和传感器），而不会损害他们的隐私。在FEEL框架中，边缘设备定期向边缘服务器发送高维随机梯度，在边缘服务器中，这些梯度被聚合并用于更新全局模型。当边缘设备共享相同的通信介质时，从设备到边缘服务器的多址接入信道（MAC）引起通信瓶颈。为了克服这个瓶颈，最近已经提出了一种有效的宽带模拟传输方案，其特征在于经由无线介质的波形叠加属性聚合模拟调制梯度（或局部模型）。然而，假定的线性模拟调制使得难以在专门使用数字调制的现代无线系统中部署该技术。为了解决这个问题，我们在这项工作中提出了一种新的数字版本的宽带空中聚合，称为一位宽带数字聚合（OBDA）。新方案的特点是在边缘设备处进行一位梯度量化，然后进行数字正交幅度调制（QAM），并在边缘服务器处进行基于空中多数表决的解码。我们提供了一个全面的分析无线信道敌对行动（信道噪声，衰落和信道估计误差）的收敛速度的建议FEEL计划的影响。分析表明，敌对行为通过在梯度范数中引入比例因子和偏置项，减缓了学习过程的收敛速度。然而，我们发现，所有的负面影响消失的参与设备的数量的增长，但在不同的速度为每种类型的渠道敌意。
2020-12-02 cs.DC cs.IT cs.NI
IRS Assisted Federated Learning A Broadband Over-the-Air Aggregation Approach
针对无线联邦学习中的模型聚合误差问题，本文提出利用智能反射面（IRS）辅助的宽带空中计算聚合方法，分别基于节点选择和权重选择两种框架优化均方误差，并推导性能上界，通过MNIST仿真验证了有效性。
2023-10-11 cs.IT eess.SP math.IT
OptiVote: Non-Coherent FSO Over-the-Air Majority Vote for Communication-Efficient Distributed Federated Learning in Space Data Centers
School of Control Science and Engineering, Shandong University（控制科学与工程学院，山东大学）；Department of Computer Science, University of Exeter（计算机科学系，埃克塞特大学）；Department of ECE, The Hong Kong University of Science and Technology（电子与电气工程系，香港科学与技术大学）；School of Electrical Engineering, Chongqing University（电气工程学院，重庆大学）；Information Systems Technology and Design Pillar, Singapore University of Technology and Design（信息系统技术与设计学院，新加坡科技设计大学）
OptiVote 是一种非相干自由空间光过空气多数投票框架，用于在空间数据中心中实现通信高效的分布式联邦学习。
2026-01-08 cs.LG eess.SP
Beamforming and Device Selection Design in Federated Learning with Over-the-air Aggregation
针对空中聚合联邦学习中设备取舍与聚合误差的矛盾，联合设计上行波束成形与设备选择方案，提出GSDS和ADSBF两种方法，在更低计算复杂度下实现更快的训练收敛。
2024-03-07 cs.IT eess.SP math.IT
Dual-end Fluid Antennas For Robust Anti-jamming in Low-altitude Air-ground Communications
针对低空空地通信的同信道干扰与蓄意干扰问题，提出双端FAS辅助的异构双层传输架构，通过分式规划-块坐标下降算法联合优化收发配置，实现比FPA最高高56%的速率与强鲁棒性。
2025-09-02 eess.SP
On Designing Modulation for Over-the-Air Computation -- Part II: Pyramid Sampling
本文针对大规模边缘网络中的数字空中计算，提出金字塔采样策略，将编码器设计复杂度从指数级降至多项式级，并支持标准调制，实现复杂度与精度的可控权衡。
2025-06-23 eess.SP
Fluid Antenna-Enabled Hybrid NOMA and AirFL Networks Under Imperfect CSI and SIC
Laval University（拉瓦尔大学）；Ferdowsi University（Ferdowsi大学）；Henan Polytechnic University（河南理工大学）
本文研究了融合AirFL和NOMA的混合网络，通过流体天线动态调节降低干扰，提出鲁棒优化问题并采用LSTM-DDPG算法解决，验证了在不完美CSI和SIC条件下混合速率性能的优势。
2026-05-11 eess.SP
Sequential HW-Aware Precoding: Over-the-air cancellation of HWI in Downlink Cell-Free Massive MIMO with Serial Fronthaul
针对下行无蜂窝大规模MIMO网络硬件损伤抑制与计算可扩展性问题，提出序列硬件感知预编码方法，通过串行前传AP间依次交换失真信息实现空对消，在高失真场景下显著提升频谱效率且计算复杂度更低。
2025-03-21 eess.SP
Interference Alignment for Multi-cluster Over-the-Air Computation
针对物联网多集群网络中空中计算受密集干扰影响性能的问题，提出可扩展至任意K个集群的新型干扰对齐方案，让每个集群可用半数信道，还设计了相邻集群共享用户场景的专用方案。
2025-10-06 eess.SP
Synesthesia of Machines (SoM)-Enhanced Sub-THz ISAC Transmission for Air-Ground Network
State Key Laboratory of Photonics and Communications, School of Electronics, Peking University（光电通信国家重点实验室，电子学院，北京大学）；Internet of Things Thrust, The Hong Kong University of Science and Technology (Guangzhou)（物联网研究部，香港科技大学（广州））；Internet of Things Thrust & Intelligent Transportation Thrust, The Hong Kong University of Science and Technology (Guangzhou)（物联网研究部与智能交通研究部，香港科技大学（广州））；Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology（电子与计算机工程系，香港科技大学）
针对亚太赫兹通感一体化在空地网络中面临的性能与时延优化难题，提出受机器联觉启发的多模态融合框架，通过斜视感知波束管理等技术提升性能降时延，实验验证效率显著提升。
2025-06-15 cs.AI eess.SP
Broadband Digital Over-the-Air Computation for Wireless Federated Edge Learning
本文提出首个基于 OFDM 的数字空口计算系统，通过数字调制、信道编码及专用 MAC 协议解决相位异步问题，并在 USRP 原型和仿真中验证其优于模拟方案。
2023-07-05 cs.IT eess.SP math.IT
Learning Rate Optimization for Federated Learning Exploiting Over-the-air Computation
联邦学习（FL）作为一种有前途的边缘学习框架，通过在设备上进行分布式学习和在中央服务器上进行模型聚合，可以有效地解决延迟和隐私问题。为了实现高效的无线数据聚合，最近已经提出了空中计算（AirComp）并且引起了立即的关注。然而，无线信道的衰落会在基于AirComp的FL方案中产生聚合失真。为了克服这种影响，动态学习率（DLR）的概念，提出了这项工作。我们开始我们的讨论，考虑多输入单输出（MISO）的情况下，因为底层的优化问题是凸的，并有封闭形式的解决方案。然后，我们将我们的研究扩展到更一般的多输入多输出（MIMO）的情况下，并推导出一个迭代法。利用MNIST和CIFAR10数据集进行的大量仿真结果表明，该方法在降低聚合失真和保证测试精度方面是有效的。此外，我们提出了渐近分析，并给出了一个接近最优的接收波束形成设计方案的封闭形式，这是通过数值模拟验证。
2021-04-04 cs.IT eess.SP math.IT
Adaptive Beam Hopping and Power Control for Dual-Layer Over-the-Air Online Federated Learning in LEO Satellite Networks
Xidian University（西安电子科技大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Shanghai Jiao Tong University（上海交通大学）
针对低轨卫星网络双层空中在线联邦学习的长期数据利用率最大化问题，提出基于PPO的深度强化学习框架，联合优化自适应波束跳变与功率控制，性能优于基准方案。
2026-10-08 cs.IT eess.SP math.IT
Over-the-Air Federated Learning and Optimization
ShanghaiTech University（上海科技大学）；Tsinghua University（清华大学）；Hong Kong University of Science and Technology（香港科技大学）；Peng Cheng Laboratory（鹏城实验室）
本教程系统研究基于空中计算的联邦学习（AirFedAvg）在强凸与非凸条件下的收敛性，揭示传输本地模型可能导致发散，并扩展分析至多种信号处理方案，仿真验证理论。
2023-10-16 cs.IT cs.LG eess.SP
Over-the-Air Computation in Cell-Free Massive MIMO Systems
本文研究无蜂窝大规模MIMO系统中的空中计算，考虑空间相关衰落和信道估计误差，提出不同协作级别下的发射系数与接收合并优化设计，并证明其在均方误差上优于传统蜂窝mMIMO。
2024-08-31 eess.SP
Dual-Layer Over-the-Air Federated Learning in LEO Satellite Networks: Architecture, Key Technologies and Applications
Xi’an Jiaotong University（西安交通大学）；School of Cyber Science and Engineering, Xi’an Jiaotong University（西安交通大学网络空间安全学院）；Xidian University（西安电子科技大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Shanghai Jiao Tong University（上海交通大学）
该研究针对LEO卫星网络，提出融合OTA计算与自适应BH的双层FL架构，可解耦聚合延迟、优化资源效率，在卫星FL系统中提升模型收敛速度与数据利用率，为非地面智能演进提供方向。
2026-09-09 eess.SP
Unsourced Massive Access-Based Digital Over-the-Air Computation for Efficient Federated Edge Learning
本文提出基于无源大规模接入的广义数字空中计算（GD-OAC）方案，通过共享码本量化与近似消息传递算法，有效减少信息丢失并加速联邦边缘学习收敛。
2023-05-17 cs.IT eess.SP math.IT
Over-The-Air Federated Learning under Byzantine Attacks
Imperial College London（伦敦帝国理工学院）
联邦学习（FL）是一种很有前途的解决方案，可以支持许多AI应用程序，其中需要来自分布式客户端的敏感数据集来协作训练全局模型。FL允许客户端参与由中央服务器管理的培训阶段，而无需共享其本地数据。FL的主要挑战之一是通信开销，其中参与客户端的模型更新在每个全局训练轮被发送到中央服务器。空中计算（AirComp）最近被提出来缓解模型更新同时通过多路访问信道发送的通信瓶颈。然而，通过AirComp对模型更新进行简单的平均，使得学习过程容易受到某些拜占庭客户端的本地模型更新的随机或有意修改的影响。在本文中，我们提出了一个传输和聚合框架，以减少这种攻击的影响，同时保留的好处AirComp FL。对于所提出的强大的方法，中央服务器将参与的客户端随机分组，并为每个组分配一个传输时隙。然后，使用鲁棒的聚合技术来聚合不同组的更新。我们扩展我们的方法来处理非i.i.d.的情况。本地数据，其中在鲁棒聚合之前添加了重新排序步骤。我们分析了所提出的方法的两种情况下的i.i.d.的收敛性。和非I.I.D.数据，并表明该算法收敛于最优解的一个邻域的线性速率。在真实数据集上的实验验证了该方法的鲁棒性。
2022-05-05 cs.IT cs.LG eess.SP
Robust Over-the-Air Computation with Type-Based Multiple Access
Centre Tecnològic de Telecomunicacions de Catalunya（加泰罗尼亚电信技术中心）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；ICREA Acadèmia（ICREA学院）
本文提出基于类型多址的鲁棒空中计算方法，利用直方图表示和鲁棒估计器抵御拜占庭攻击，优于直接聚合，并适用于联邦学习，降低CSI需求与能耗。
2025-02-26 cs.AI eess.SP
Optimal QAM Constellation for Over-the-Air Computation in the Presence of Heavy-Tailed Channel Noise
KTH Royal Institute of Technology（瑞典皇家理工学院）；Imperial College London（伦敦帝国学院）
本文提出了一种在重尾干扰环境下优化QAM星座以提升空中计算性能的方法。
2026-02-24 cs.IT eess.SP math.IT
Simultaneous Signal-and-Interference Alignment for Two-Cell Over-the-Air Computation
下一代无线网络被设想为支持大规模传感和分布式机器学习，从而实现新的智能移动应用。一种常见的网络操作将是用于功能计算的分布式数据（例如传感器观测或AI模型更新）的聚合（例如，平均），以便支持大规模感测和分布式机器学习。一种有效的数据聚合解决方案称为“空中计算”（AirComp），它将功能计算嵌入到许多边缘设备的同时访问中。这样的方案利用多接入信道的波形叠加来允许接入点接收同时信号的期望函数。在这项工作中，我们的目标是实现AirComp在一个两单元多天线系统。为此，提出了一种新的方案，同时信号和干扰对齐（SIA），建立在经典IA管理干扰多小区AirComp。SIA的原理是将空间信道空间划分为两个维度相等的子空间：一个用于AirComp所需的信号对齐，另一个用于小区间IA。结果，由每个AP接收的无干扰空间复用功能流的数量被最大化（等于可用空间自由度的一半）。此外，该数量与每个单元中的设备数量无关。此外，扩展到SIA为两个以上的细胞进行了讨论。
2020-01-10 cs.IT eess.SP math.IT
UAV-Assisted Integrated Communication and Over-the-Air Computation with Interference Awareness
本文提出利用无人机移动性缓解干扰，实现通信与空中计算一体化，通过交替优化和深度强化学习联合优化传输、调度与轨迹，在保证AirComp精度下最大化用户传输速率。
2025-07-07 eess.SP
