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
UAV-Assisted Hierarchical Aggregation for Over-the-Air Federated Learning
随着移动边缘的大量数据爆炸式增长,空中联邦学习(OA-FL)成为一种有前途的技术,可以降低通信成本和隐私泄露风险。然而,当相对较大区域中的设备协作训练机器学习模型时,伴随的掉队者问题将显著降低学习性能。在本文中,我们提出了一种无人机(UAV)辅助OA-FL系统,其中无人机作为一个参数服务器(PS),聚集局部梯度分层全局模型更新。在这种无人机辅助的分层聚合方案下,我们进行了梯度相关感知FL性能分析。然后,我们制定了一个均方误差(MSE)最小化问题,调整无人机的轨迹和全局聚合系数的基础上的分析结果。基于交替优化(AO)和逐次凸逼近(SCA)的算法来解决制定的问题。仿真结果表明,我们的无人机辅助分层聚合计划的巨大潜力。
2022-09-23 eess.SP
Federated Learning from Heterogeneous Data via Controlled Bayesian Air Aggregation
联邦学习(FL)是一种新兴的机器学习范式,用于在多个边缘设备上训练模型,这些边缘设备保存本地数据集,而无需显式交换数据。最近,已经提出空中(OTA)FL,以通过允许用户在多址接入信道(MAC)上同时发送他们的数据来减少带宽和能量消耗。然而,这种方法会导致信道噪声直接影响优化过程,这可能会降低训练模型的准确性。在本文中,我们联合利用本地权重的先验分布和信道分布,并开发了一个OTA FL算法的基础上贝叶斯方法的信号聚合。我们提出的算法,被称为贝叶斯空气聚合联合学习(BAAF),有效地减轻噪声和信道引起的衰落效应。为了处理用户数据的统计异质性,这是FL的第二个主要挑战,我们扩展了BAAF,允许用户进行适当的本地更新,并开发了受控贝叶斯空中聚合联合学习(COBAAF)算法。除了使用贝叶斯方法来平均通道输出之外,COBAAF还使用校正项的明智设计来控制局部更新中的漂移。我们使用BAAF和COBAAF在嘈杂和异构的环境中学习的全局模型的收敛性进行了分析,显示了它们实现与无错误信道相似的收敛速度的能力。仿真结果表明,改进的收敛性BAAF和COBAAF在机器学习任务中比现有的算法。
2023-03-30 eess.SP
Empowering Over-the-Air Personalized Federated Learning via RIS
本文引入 RIS 技术解决空中计算联邦学习中的数据异构性问题,通过相移配置实现集群间统计干扰消除,并从一阶和二阶矩角度提出两种个性化聚合方案以增强收敛性,数值结果验证了其优于现有基线。
2024-08-22 cs.IT eess.SP math.IT
Wireless-Enabled Asynchronous Federated Fourier Neural Network for Turbulence Prediction in Urban Air Mobility (UAM)
Virginia Tech(弗吉尼亚理工大学);University of Colorado(科罗拉多大学);University of Oulu(奥卢大学)
为了满足城市内部交通日益增长的流动性需求,已经提出了城市空中流动性(UAM)的概念,其中垂直起降(VTOL)飞机用于提供乘车服务。在UAM中,飞机可以在被称为走廊的指定空域中运行,该走廊连接航空器。GBS和飞机之间的可靠通信网络使UAM能够充分利用空域,并创建快速,高效和安全的运输系统。在本文中,无线连接性能的UAM的特点,提出了一个空间模型。对于这种设置,一个任意选择的GBS和其相关的飞机之间的距离的分布和拉普拉斯变换的GBS所经历的干扰推导。使用这些结果,确定基于信号干扰比(SIR)的连通性概率以捕获UAM飞机到地面通信网络的连通性性能。然后,利用这些连接结果,提出了一个使用傅立叶神经网络的无线异步联邦学习(AFL)框架,以解决UAM操作期间湍流预测的挑战性问题。对于这种AFL方案,引入了一种具有过时意识的全局聚合方案,以加快收敛到UAM飞机使用的最佳湍流预测模型。仿真结果验证了UAM无线连接的理论推导。结果还表明,所提出的AFL框架收敛到最优湍流预测模型的速度比同步联邦学习基线和无陈旧AFL方法更快。此外,结果表征了不同参数设置下飞机湍流模型的无线连接和收敛性能,为UAM设计提供了有用的指导。
2021-12-26 cs.AI eess.SP
Over-The-Air Federated Learning Over Scalable Cell-free Massive MIMO
本文研究无蜂窝大规模MIMO支持空中联邦学习的方法,提出在信道相关且仅有不完美信道状态信息条件下的实用OTA-FL实现方案,并通过分析与实验验证其收敛性和性能优势。
2023-09-18 cs.IT cs.LG eess.SP
Over-the-Air Aggregation for Federated Learning: Waveform Superposition and Prototype Validation
在本文中,我们开发了一种基于正交频分复用(OFDM)的无线(OTA)聚合解决方案,用于无线联合学习(FL)。特别是,大规模物联网设备中的局部梯度由模拟波形调制,然后使用相同的无线资源进行传输。为此,实现完美的波形叠加是关键挑战,由于帧定时偏移(TO)和载波频率偏移(CFO)的存在,这是困难的。为了解决这些问题,我们提出了一个两阶段的波形预均衡技术与定制的多址接入协议,可以估计,然后减轻的OTA聚合的TO和CFO。基于所提出的解决方案,我们开发了一个硬件收发器和应用软件来训练一个真实的FL任务,该任务学习一个深度神经网络来预测接收到的信号强度与全球定位系统信息。实验证明,所提出的OTA聚合解决方案可以实现与离线学习过程相当的性能,具有较高的预测精度。
2021-10-27 eess.SP
Enhanced Over-the-Air Federated Learning Using AI-based Fluid Antenna System
本文研究采用流体天线的空中联邦学习系统,通过将其建模为马尔可夫决策过程并使用循环确定性策略梯度算法联合优化天线位置、波束成形和功率分配,有效缩小最优性差距并提升了学习性能。
2025-02-03 eess.SP
Balancing Energy Efficiency and Distributional Robustness in Over-the-Air Federated Learning
Centre of Wireless Communications (CWC), University of Oulu(奥卢大学无线通信中心);King Fahd University of Petroleum and Minerals (KFUPM)(法赫德国王石油矿产大学)
针对无线边缘设备带来的能量、带宽等挑战,本文提出一种结合确定性与概率性客户端选择的方法,在基于空中计算的分布鲁棒联邦学习中平衡能量效率与鲁棒性,实现超3倍能量节省。
2023-12-22 cs.LG 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
Blind Federated Learning via Over-the-Air q-QAM
KTH Royal Institute of Technology(瑞典皇家理工学院);Uppsala University(乌普萨拉大学)
本文提出一种基于 q-QAM 数字空中计算的盲联邦边缘学习框架,在无信道状态信息下实现低时延传输,并证明均方误差上界与收敛速率,实验显示增加天线和调制阶数可提升精度达 60%。
2024-04-19 cs.LG eess.SP
Federated Linear Bandit Learning via Over-the-Air Computation
East China Normal University(华东师范大学);EPFL(洛桑联邦理工学院);ShanghaiTech University(上海科技大学)
针对无线联邦上下文线性老虎机学习的通信开销问题,提出基于AirComp的定制化联邦线性老虎机方案,经理论分析和实验验证其在多种设置下遗憾界性能具竞争力。
2023-08-28 cs.LG eess.SP stat.ML
On Signal Peak Power Constraint of Over-the-Air Federated Learning
RWTH Aachen University(亚琛工业大学);School of Electronic Information, Wuhan University(武汉大学电子信息学院);InCirT GmbH(InCirT有限公司)
本文探讨了空中联邦学习中因射频功率放大器非线性导致的瞬时峰值功率约束问题,分析了单载波和多载波OFDM系统中信号失真对联邦学习性能的影响。
2026-04-02 eess.SP
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
Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms
Heilongjiang University(黑龙江大学);Nanyang Technological University(南洋理工大学);Georgia Southern University(佐治亚南方大学);Alibaba Group(阿里巴巴集团);Alibaba-NTU Joint Research Institute(阿里巴巴-南洋理工大学联合研究院);Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly(南洋理工大学-不列颠哥伦比亚大学积极乐龄卓越联合研究中心)
由于空气质量对人体健康有着重要的影响,因此准确、及时地预测空气质量指数(AQI)变得越来越重要。为此,本文提出了一种新的基于联邦学习的空中-地面空气质量传感框架,用于细粒度的3D空气质量监测和预报。具体而言,在空中,该框架利用轻量级的Dense-MobileNet模型,从无人机(UAV)拍摄的雾霾图像的雾霾特征中实现节能的端到端学习,以预测AQI尺度分布。此外,联合学习框架不仅允许各种组织或机构协作学习经过良好训练的全球模型来监测AQI,而且还扩展了无人机群监测的范围。对于地面传感系统,我们提出了一种基于图卷积神经网络的长短期记忆(GC-LSTM)模型,以实现准确,实时和未来的AQI推理。GC-LSTM模型利用地面监测站的拓扑结构,捕捉历史观测数据的时空相关性,帮助空地传感系统实现AQI的精确推断。通过对真实世界数据集的广泛案例研究,数值结果表明,所提出的框架可以实现准确和节能的AQI感测,而不会损害原始数据的隐私。
2020-07-23 cs.LG eess.SP
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
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
Over-the-Air Federated Learning with Retransmissions (Extended Version)
随着无线设备计算能力的不断提高,以及用户和设备生成的数据达到前所未有的水平,新的分布式机器学习(ML)方法应运而生。在无线网络中,联邦学习(FL)由于其通信效率和处理非IID数据问题的能力而受到特别关注。FL训练可以通过称为空中计算(AirComp)的无线通信方法来加速,该方法利用同时上行链路传输的干扰来有效地聚合模型更新。然而,由于AirComp利用模拟通信,因此其引入不可避免的估计误差。在本文中,我们研究了这种估计误差对FL收敛的影响,并提出了重传作为一种方法,以提高FL收敛资源受限的无线网络。首先,我们推导出静态信道上重传的最优AirComp功率控制方案。然后,我们研究了具有重传的空中FL的性能,并找到了FL损失函数的两个上界。最后,我们提出了一种启发式方法来选择最佳的重传次数,可以在训练ML模型之前计算。数值结果表明,重传的引入可以提高ML性能,而不会在通信或计算方面产生额外的成本。此外,我们提供了我们的启发式的模拟结果表明,它可以正确地识别不同的无线网络设置和机器学习问题的最佳重传次数。
2021-11-19 cs.LG eess.SP
NCAirFL: CSI-Free Over-the-Air Federated Learning Based on Non-Coherent Detection
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Arizona State University(亚利桑那州立大学);The Hong Kong University of Science and Technology(香港科技大学)
针对空中联邦学习中相干信号对齐依赖信道估计的难题,本文提出基于非相干检测的无CSI方案NCAirFL,通过二进制抖动与长期记忆误差补偿实现O(1/√T)收敛速率,实验验证其性能可媲美理想通信下的联邦学习。
2024-11-20 cs.IT cs.LG eess.SP
Toward Secure and Private Over-the-Air Federated Learning
本文研究了一种新的安全和私有的空中联邦学习(SP-OTA-FL)框架,其中使用噪声来保护数据隐私和系统安全。具体地说,用户数据的隐私泄漏和系统的安全级别分别衡量差分隐私(DP)和均方误差安全(MSE-安全)。为了减轻噪声对学习精度的影响,我们提出了一种信道加权后处理(CWPP)机制,该机制为信道条件较差的设备的梯度分配较小的权重。此外,使用CWPP可以避免在对齐的空中联合学习(OTA-FL)中具有最差信道条件的设备限制整个系统的信噪比(SNR)的问题。我们从理论上分析了噪声对隐私和安全保护的影响,并通过收敛性分析说明了噪声对学习性能的不利影响。基于这些分析结果,我们提出了在不同的信道噪声情况下,考虑隐私和安全保护的设备调度策略。特别是,我们制定了一个整数非线性分式规划问题,旨在最大限度地减少噪声对学习过程的负面影响。当模型为高维时,得到了优化问题的封闭解。对于一般情况,我们提出了一个安全和私有的算法(SPA)的基础上的分支定界(BnB)方法,它可以获得一个最佳的解决方案,具有较低的复杂度。通过仿真验证了所提出的CWPP机制和设备选择策略的有效性。
2022-10-14 eess.SP
Over-the-Air Decentralized Federated Learning
ShanghaiTech University(上海科技大学);Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences(中国科学院上海微系统与信息技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
在本文中,我们考虑分散的联邦学习(FL)在无线网络中,通过空中计算(AirComp),以促进本地模型共识的设备到设备(D2 D)的通信方式。然而,基于AirComp的共识阶段会给每个算法带来附加噪声,并且共识需要对无线网络拓扑变化具有鲁棒性,这给无线分散FL算法的收敛性带来了新的挑战。为了促进共识阶段,我们提出了一个基于AirComp-based DSGD与梯度跟踪和方差减少(DSGT-VR)算法,其中的预编码和解码策略的D2 D通信开发。此外,我们证明了该算法的线性收敛性,并建立了最优间隙强凸光滑损失函数,考虑到信道衰落和噪声。理论结果表明,最优间隙中的附加误差界取决于设备的数量。大量的仿真验证了理论结果,并表明该算法优于其他基准分散FL算法在无线网络中。
2021-06-15 cs.IT cs.LG eess.SP
User Scheduling for Federated Learning Through Over-the-Air Computation
Utah State University(犹他州立大学);University of Wisconsin-Whitewater(威斯康星大学怀特沃特分校)
联邦学习(FL)是一种新的机器学习(ML)技术,旨在将数据保存在边缘设备上,并在学习过程中只交换ML模型参数。FL不仅减少了通信需求,而且有助于保护本地隐私。尽管FL具有这些优点,但当存在连接到中央参数服务器(PS)的大量边缘设备和/或学习过程中涉及的数百万个模型参数时,它仍然会经历较大的通信延迟。空中计算(AirComp)能够通过使用模拟调制允许多个设备同时发送数据来在传输数据的同时进行计算。为了通过AirComp在FL中实现良好的性能,用户调度起着关键作用。在本文中,我们调查和比较不同的用户调度策略,这是基于各种标准,如无线信道条件和模型更新的意义。接收机波束形成应用于最小化通过AirComp的函数聚合结果的失真的均方误差(MSE)。仿真结果表明,基于模型更新重要性的调度在训练过程中波动较小,而基于信道条件的调度在能量效率上具有优势。
2021-08-05 cs.AI cs.LG eess.SP
Robust Resource Allocation in RIS-Assisted Wireless Networks Integrating NOMA and Over-the-Air Federated Learning
Laval University(拉瓦尔大学);Ferdowsi University(费尔多西大学);Henan Polytechnic University(河南理工大学);Central China Normal University(华中师范大学);Beijing Jiaotong University(北京交通大学)
本文提出一种整合NOMA和空中联邦学习的RIS辅助无线网络框架,通过联合优化减少最优差距,提升通信和学习性能。
2026-04-19 eess.SP
Fluid Antenna Enabled Over-the-Air Federated Learning: Joint Optimization of Positioning, Beamforming, and User Selection
针对空中联邦学习在模拟聚合中易受错误影响的问题,提出利用流体天线技术联合优化定位、波束成形与用户选择,以提升训练收敛速度,实验验证其显著优于传统方法。
2025-02-17 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
Imperfect CSI: A Key Factor of Uncertainty to Over-the-Air Federated Learning
本文分析发射端 CSI 不确定性对采用截断信道反转的 AirFL 系统的影响,推导权重发散规律并优化截断阈值。
2023-07-24 cs.IT eess.SP math.IT
Chirp-Based Over-the-Air Computation for Long-Range Federated Edge Learning
在这项研究中,我们提出了基于循环移位线性调频(CSC)的多数表决(MV)(CSC-MV),一种节能的空中计算(OAC)方案,以实现远程联邦边缘学习(FEEL)。所提出的方法映射投票(即,局部梯度的符号)到用离散傅里叶变换-扩展正交频分复用(DFT-s-OFDM)发射机构造的线性CSC。在边缘服务器(ES)处,使用能量检测器来计算MV。我们比较我们提出的方案与一位宽带数字聚合(OBDA),并表明,输出功率回退(OBO)的发射机与相邻信道泄漏比(ACLR)约束CSC-MV的要求是低于一个与OBDA。例如,在ACLR约束为-22 dB的情况下,CSC-MV可以具有比OBDA低6-7 dB的OBO要求。当功率放大器(PA)的非线性被认为是,我们表明,CSC-MV优于OBDA的测试精度方面的同质和异构的数据分布,而不使用信道状态信息(CSI)在ES和ED。
2022-06-22 eess.SP
Over-the-Air Computation with DFT-spread OFDM for Federated Edge Learning
在这项研究中,我们提出了一种空中计算(AirComp)方案,用于在边缘设备(ED)或边缘服务器(ES)处没有信道状态信息(CSI)的联合边缘学习(FEEL)。该方案依赖于非相干通信技术,通过多数表决(MV)实现分布式训练。在这项工作中,投票,即,来自ED的局部梯度的符号用脉冲位置调制(PPM)符号表示,该脉冲位置调制(PPM)符号用离散傅里叶变换(DFT)-扩展正交频分复用(OFDM)(DFT-s-OFDM)构造。通过考虑延迟扩展和时间同步误差,用能量检测器获得ES处的MV。因此,所提出的方案在ED和ES处不需要CSI。我们还证明了分布式训练的收敛性时,MV与该计划在衰落信道下获得。通过仿真,我们表明,该方案提供了一个高的测试精度在衰落信道中,同时导致较低的峰均包络功率比(PMEPR)符号。
2021-12-26 cs.IT eess.SP math.IT
Quantized Analog Beamforming Enabled Multi-task Federated Learning Over-the-air
针对多任务联邦学习空中计算中的任务间干扰问题,提出接收端量化模拟波束成形方案,通过大规模天线阵列特性实现统计干扰消除,验证了低精度移相器可逼近理想学习性能。
2025-03-22 cs.IT eess.SP math.IT
A Demonstration of Over-the-Air Computation for Federated Edge Learning
University of South Carolina(南卡罗来纳大学)
在这项研究中,我们提出了一种通用的同步方法,允许一组软件定义的无线电(SDR)发送或接收任何同相/正交数据与精确的定时,同时保持基带处理在相应的同伴计算机。所提出的方法依赖于在接收和发送方向上的同步波形的检测以及与处理系统联合地控制直接存储器访问块。通过在一组低成本SDR上实现这种同步方法,我们证明了基于频移键控(FSK)的多数表决(MV)的性能,即,一种用于联邦边缘学习的空中计算方案,并介绍相应的过程。实验结果表明,在不利用边缘设备信道状态信息的情况下,该方法对均匀和异构数据分布的测试准确率均能达到95%以上。
2022-09-20 cs.AI cs.IT eess.SP
Over-the-Air Federated Multi-Task Learning Over MIMO Multiple Access Channels
随着数据和无线设备的爆炸式增长,基于无线介质的联邦学习(FL)已成为大规模分布式智能系统的一种有前途的技术。然而,对泛在智能的迫切需求将产生大量并发的FL任务,这可能会严重加剧通信资源的稀缺。空中计算(Over-the-Air Computation,AirComp)利用电磁波的模拟叠加特性,可以有效地减轻FL的通信负担。然而,空中计算中的频时资源共享不可避免地带来了任务间干扰问题,这是一个需要妥善解决的新挑战。在本文中,我们研究了空中联合多任务学习(OA-FMTL)在多输入多输出(MIMO)多址接入(MAC)信道。我们提出了一种新的模型聚合方法,用于对齐不同设备的局部梯度,该方法消除了由于信道异质性而导致的空中计算中的掉队问题。通过考虑设备之间的空间相关性,我们建立了所提出的OA-FMTL方案的通信学习分析框架,并为收发器波束成形和设备选择的设计制定了优化问题。为了解决这个问题,我们开发了一种算法,通过使用交替优化(AO)和分式规划(FP),有效地减轻任务间干扰的FL学习性能的影响。我们表明,由于使用新的模型聚合方法,设备选择不再是必不可少的,从而避免了沉重的计算负担,选择主动设备。数值结果验证了分析的正确性和所提方案的优越性能。
2022-05-06 cs.LG cs.NI eess.SP
SegOTA: Accelerating Over-the-Air Federated Learning with Segmented Transmission
针对空中联邦学习中设备传输大量参数导致延迟显著的问题,提出SegOTA方法,通过设备分组分段传输模型参数,结合多天线服务器建模优化分组与波束成形,大幅降低延迟且优于传统方案。
2025-04-20 cs.IT eess.SP math.IT
Differentially Private AirComp Federated Learning with Power Adaptation Harnessing Receiver Noise
基于空中计算(AirComp)的联邦学习(FL)通过利用同时的同信道传输和所产生的波形叠加来实现低延迟上传和机器学习模型的聚合。本研究旨在实现安全的AirComp-based FL对各种隐私攻击,恶意的中央服务器推断客户端的隐私数据从聚合的全球模型。为此,在这项研究中,差分私有AirComp-based FL的设计,其中的关键思想是利用接收机噪声扰动注入到聚合的全球模型固有的,从而防止客户端的私人数据的推断。然而,固有的接收机噪声的方差通常是不可控的,这使得注入适当的噪声扰动以实现期望的隐私级别的过程相当具有挑战性。因此,本研究设计跨客户端的发射功率控制,其中接收信号电平被有意地调整以有效地控制噪声扰动水平,从而实现期望的隐私水平。据观察,较高的隐私级别需要较低的发射功率,这表明隐私级别和信噪比(SNR)之间的权衡。为了更全面地理解这种权衡,推导出SNR(相对于隐私级别)的封闭形式表达式,并分析证明了这种权衡。分析结果还表明,在可配置的参数,参与的客户端的数量是一个关键的参数,提高了接收的信噪比下,上述权衡。通过数值计算验证了分析结果。
2020-04-14 cs.NI eess.SP
Gradient Statistics Aware Power Control for Over-the-Air Federated Learning
Shanghai Jiao Tong University(上海交通大学)
联邦学习(FL)是一种很有前途的技术,其使得许多边缘设备能够在无线网络中协作地训练机器学习模型。通过利用无线波形的叠加性质,空中计算(AirComp)可以加速模型聚合,从而促进通信高效的FL。由于信道衰落,功率控制在AirComp中至关重要。先前的工作假设要从每个设备聚集的信号,即,局部梯度具有相同的统计量。然而,在FL中,梯度统计在训练迭代和特征维度上都是变化的,并且事先是未知的。本文研究了考虑梯度统计的空中FL功率控制问题。我们的目标是最大限度地减少聚合误差,优化发射功率在每个设备的峰值功率约束。在给定梯度统计量的情况下,得到了最优策略的封闭形式。值得注意的是,我们表明,最佳的发射功率是连续的,单调递减的平方多元变异系数(SMCV)的梯度向量。然后,我们提出了一种方法来估计梯度统计可以忽略不计的通信成本。实验结果表明,所提出的梯度统计感知功率控制实现了更高的测试精度比现有的计划,为广泛的场景。
2020-11-25 cs.IT cs.LG eess.SP
Privacy-Enhanced Over-the-Air Federated Learning via Client-Driven Power Balancing
Seoul National University (SNU)(首尔大学);Sungkyunkwan University(成均馆大学)
本文提出客户端驱动功率平衡策略,通过独立调整传输功率提升OTA-FL的隐私保护与学习效率,实验表明其在模型准确性和隐私保障方面优于传统方法。
2026-03-24 eess.SP
Massive Digital Over-the-Air Computation for Communication-Efficient Federated Edge Learning
本文提出大规模数字AirComp方案,利用无源大规模接入协议和向量量化提升与数字网络的兼容性,并采用基于近似消息传递的算法计算聚合结果,显著加速了联邦边缘学习的收敛。
2024-08-29 cs.IT eess.SP math.IT
Balancing Accuracy and Integrity for Reconfigurable Intelligent Surface-aided Over-the-Air Federated Learning
Beijing University of Posts and Telecommunications(北京邮电大学);Commonwealth Scientific and Industrial Research Organization(联邦科学与工业研究组织)
空中联邦学习(AirFL)允许设备并行训练学习模型,并使用空中计算来同步它们的本地模型。AirFL的完整性是脆弱的,由于模糊的本地模型聚集在空中。本文提出了一种新的框架来平衡AirFL的准确性和完整性,其中多天线设备和基站(BS)与可重构智能表面(RIS)联合优化。主要贡献包括一个新的和非平凡的问题,共同考虑模型的准确性和完整性的AirFL,和一个新的框架,将问题转化为易于处理的子问题。在理想信道状态信息(CSI)下,通过交替优化设备的发射波束形成器、基站的接收波束形成器和RIS配置,新框架最大限度地减小了聚合模型的失真,并保持了局部模型的可恢复性。在不完美CSI下,新框架提供了波束形成器和RIS配置的鲁棒设计,以对抗不可忽略的信道估计误差。实验证明,该新框架可以实现与理想FL相当的精度,同时在完美CSI下保持局部模型可恢复性,并且在不完美CSI下当接收天线数量较少或中等时提高精度。
2022-07-17 cs.IT 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
ROAR-Fed: RIS-Assisted Over-the-Air Adaptive Resource Allocation for Federated Learning
本文提出ROAR-Fed算法,通过联合优化客户端计算步数、发射功率与RIS相移,在异构数据和不完美CSI条件下实现联邦边缘学习的收敛,并验证了RIS辅助学习的优势。
2023-09-18 cs.IT eess.SP math.IT
SCENE OTA-FD: Self-Centering Noncoherent Estimator for Over-the-Air Federated Distillation
Department of Electrical and Computer Engineering, Boise State University(电子与计算机工程系,博伊州立大学)
SCENE OTA-FD提出一种无需导频的非相干估计器,用于空中联邦蒸馏,通过自中心能量估计提升聚合精度,减少硬件开销并优于相干设计。
2026-02-17 cs.AI cs.DC cs.LG
Unified Robust and Convergent Over-The-Air Federated Learning under Channel Noise and Heterogeneity
ECE dept., IIIT Delhi, New Delhi(电子工程系,印度理工学院德里,新德里)
针对6G异构无线网络中OTA-FL受噪声、衰落和异构性影响的问题,提出NoROTA-FL框架,通过受控非精确解和近端约束实现鲁棒聚合,理论保证非凸收敛,实验在FEMNIST等数据集上优于COTAF和FedProx。
2026-10-27 cs.LG eess.SP
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
Communication-Learning Co-Design for Differentially Private Over-the-Air Federated Distillation
Department of Information Engineering, The Chinese University of Hong Kong(信息工程系,香港中文大学);Intelligent Transportation Thrust, The Hong Kong University of Science and Technology (Guangzhou)(智能交通研究组,香港科学与技术大学(广州))
本文提出差分隐私空中联邦蒸馏框架,通过推导学习收敛速率与隐私损失解析式,优化跨时间尺度的收发机设计与训练轮数,在满足功率与隐私要求下最大化收敛速率,大幅降低通信开销。
2025-08-06 cs.IT cs.LG eess.SP
RIS-Assisted Over-the-Air Adaptive Federated Learning with Noisy Downlink
本文研究异构边缘智能网络中不完美CSI与噪声信道下的OTA-FL问题,提出联合优化RIS配置、通信与计算资源的跨层自适应算法,并通过动态本地更新步长、RIS相移和发射功率提升学习性能,数值结果验证其优于现有统一方法。
2023-09-19 cs.IT eess.SP math.IT
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
Reconfigurable Intelligent Surface Empowered Over-the-Air Federated Edge Learning
The Chinese University of Hong Kong(香港中文大学);University of Electronic Science and Technology of China(电子科技大学)
本文针对空中联邦边缘学习面临的掉队者、通信开销和隐私泄露问题,综述并探讨利用可重构智能表面提升其性能的方案与研究方向。
2022-07-20 cs.IT cs.LG cs.NI
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 Federated Learning via Second-Order Optimization
East China Normal University(华东师范大学);Software Engineering Institute(软件工程研究所);EPFL(洛桑联邦理工学院);ShanghaiTech University(上海科技大学)
联邦学习(FL)是一种很有前途的学习范式,它可以解决日益突出的数据孤岛问题,同时将用户的数据保持在本地,并保证隐私和安全。然而,FL可能会导致面向任务的数据流量在无线网络有限的无线电资源。为了设计通信高效的FL,大多数现有的研究采用一阶联邦优化方法,具有缓慢的收敛速度。然而,这导致边缘设备和边缘服务器之间的本地模型更新的过多通信回合。为了解决这个问题,在本文中,我们提出了一种新的空中二阶联邦优化算法,以同时减少通信轮次并实现低延迟全局模型聚合。这是通过利用多址信道的波形叠加特性来实现无线网络上的分布式二阶优化算法。该算法的收敛性进一步的特点,它揭示了一个线性二次收敛速度与累积误差项在每次迭代。因此,我们提出了一种系统优化方法,以最大限度地减少累积误差差距的联合设备选择和波束成形设计。数值结果表明,与最先进的方法相比,系统和通信效率。
2022-03-29 cs.IT cs.LG eess.SP
Wireless Federated $k$-Means Clustering with Non-coherent Over-the-Air Computation
University of South Carolina(南卡罗来纳大学)
提出一种基于平衡数制编码的非相干 OAC 无线联邦 k-means 方案,并配合质心重初始化,在客户位置聚类中以更低通信延迟达到接近标准 k-means 的性能。
2023-08-11 cs.AI cs.IT eess.SP
Multi-cell Non-coherent Over-the-Air Computation for Federated Edge Learning
在本文中,我们提出了一个框架,其中空中计算(OAC)在多小区环境中依次发生在上行链路(UL)和下行链路(DL)中,以解决联合边缘学习(FEEL)的延迟和可扩展性问题。为了消除边缘设备(ED)和边缘服务器(ES)处的信道状态信息(CSI)并放松对OAC的时间同步要求,我们使用非相干计算方案,即,基于频移键控(FSK)的多数表决(MV)(FSK-MV)。利用所提出的框架,多个ES充当UL中的聚合节点,并且每个ES独立地确定MV。在ES广播检测到的MV之后,ED通过DL中的另一个OAC确定梯度的符号。因此,小区间干扰被用于OAC。在这项研究中,我们证明了非凸优化问题的FEEL与建议的OAC框架的收敛性。我们还数值评估所提出的方法的有效性,通过比较测试的准确性,在多细胞和单细胞的情况下,同质和异构的数据分布。
2022-02-11 cs.IT eess.SP math.IT
Decentralized Federated Learning via MIMO Over-the-Air Computation: Consensus Analysis and Performance Optimization
针对无线去中心化联邦学习的通信瓶颈与共识难题,提出基于MIMO空上计算的DFL框架,结合混合矩阵机制优化收发波束成形器与混合矩阵,显著提升学习性能。
2023-10-08 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
Sensing-Native Over-the-Air Federated Learning
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of Minnesota(明尼苏达大学)
提出一种感知原生空中联邦学习框架,利用本地梯度信号的自相关特性实现零开销分布式感知,并通过鲁棒定位方法和统计感知的通信-学习协同设计,同时提升学习与感知性能。
2026-06-17 cs.IT eess.SP math.IT