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
Device Scheduling for Over-the-Air Federated Learning with Differential Privacy
在本文中,我们提出了一种设备调度方案差分私人空中联合学习(DP-OTA-FL)系统,简称为S-DPOTAFL,其中参与者的隐私是由信道噪声保证。在S-DPOTAFL中,梯度通过对齐系数对齐,并通过空中计算(AirComp)进行聚合。该方案在训练中调度信道条件较好的设备,避免了系统中信道条件最差的设备限制对齐系数的问题。我们进行的隐私和收敛性分析,从理论上证明了隐私保护和学习性能的设备调度的影响。为了提高学习精度,我们制定了一个优化问题,目标是最大限度地减少训练损失受到隐私和发射功率约束。此外,我们提出的条件,S-DPOTAFL性能优于DP-OTA-FL不考虑设备调度(NoS-DPOTAFL)。通过仿真验证了S-DPOTAFL的有效性。
2022-11-13 eess.SP
Impact of 3D UWB Antenna Radiation Pattern on Air-to-Ground Drone Connectivity
安装在无人机上的天线的三维(3D)辐射方向图可以显著地影响空对地(A2G)链路质量。即使当无人机发射器非常接近地面接收器时,如果天线取向没有正确对准,则可以观察到接收器处的接收信号功率的显著降级。为了表征甜甜圈形天线辐射模式的这种影响,使用超宽带(UWB)发射机在无人机和UWB接收机在地面上,我们进行A2G信道测量,以捕获各种链路距离,无人机高度和天线方向的地面接收器的链路质量。我们开发了一个简单的分析模型,以近似的3D天线方向图的接收信号强度(RSS)的影响,这表明合理的协议,尽管简单的模型和复杂的3D辐射的UWB天线的测量。我们还探讨了当在发射机/接收机处使用具有不同取向的多个天线时,如何提高信号强度。
2018-12-17 eess.SP
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
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
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
Robust Resource Allocation for Over-the-Air Computation Networks with Fluid Antenna Array
本文研究流体天线阵列在空中计算网络中的应用,针对信道不确定性提出鲁棒资源分配方法,通过块坐标下降法分解非凸问题,以最小化传输均方误差,数值验证了其有效性。
2025-04-22 eess.SP
Improving Convergence for Semi-Federated Learning: An Energy-Efficient Approach by Manipulating Over-the-Air Distortion
State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications(北京邮电大学网络与交换技术国家重点实验室);Department of Electronic Engineering, Tsinghua University(清华大学电子工程系);School of Information and Communication Engineering, Beijing Information Science and Technology University(北京信息科技大学信息与通信工程学院)
本文提出通过操控空中传播畸变调整学习率,以提升半联邦学习的收敛性并降低能耗。
2026-02-25 eess.SP
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
Over-the-Air Computation via 2D Movable Antenna Array
该研究将二维可移动天线阵列应用于空中计算网络,通过双循环迭代算法联合优化天线位置、接收合并向量与用户发射系数以最小化计算均方误差,性能优于传统固定天线方案。
2024-09-16 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
Hardware-Impaired Over-the-Air Computation with Fluid Antenna Array
Zhejiang University(浙江大学);University College London(伦敦大学学院);Yonsei University(延世大学);China Mobile (Hangzhou) Information Technology Company Ltd.(中国移动(杭州)信息技术有限公司)
本文提出了一种结合可重新配置天线定位的流体天线阵列增强的空中计算系统,通过联合优化发射功率、接收波束成形和天线位置向量,有效降低MSE并提高对硬件缺陷的鲁棒性。
2025-12-05 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
Impact of 3D Antenna Radiation Pattern in UAV Air-to-Ground Path Loss Modeling and RSRP-based Localization in Rural Area
该研究针对农村蜂窝联网无人机场景,分析3D天线方向图对空对地路径损耗模型的影响,提出离线/在线均结合天线方向图的RSRP无人机定位算法,可显著提升定位精度。
2023-10-03 eess.SP
Air-to-Ground Directional Channel Sounder With 64-antenna Dual-polarized Cylindrical Array
无人驾驶飞行器(UAV),通常称为无人机,是未来无线通信的重要组成部分,无论是作为需要与地面站通信的用户设备,还是作为3D网络中的基站。为了分析“有用的”链路和调查对其他地面节点的可能干扰,需要了解空对地信道。由于地面节点通常配备有天线阵列,信道调查需要考虑它,本研究提出了一个大规模多输入多输出基于我们的实验室最近开发的空对地信道探测器,它可以执行上述要求的测量。在概述了探测器的原理和功能后,我们提出了演示功能的样本测量,并首次深入了解城市环境中的空对地大规模多输入多输出信道。我们的研究结果提供了一个平台,未来的调查和可能的增强大规模多输入多输出系统。
2021-02-13 eess.SP
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
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
Movable Antenna for Integrated Sensing and Communication in Air Sea Ground Networks
研究空海地面网络中集成传感与通信的可移动天线框架,通过制定多目标优化问题,利用K均值聚类、粒子群优化等方法优化天线子阵列位置和方向及波束成形,相比传统固定天线阵列提升了ISAC性能并实现通信与传感速率权衡。
2026-07-21 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
Experimental Characterization of Air-to-ground Propagation at mm-Wave Frequencies in Dense Urban Environment
在本研究中,测量设置利用毫米波收发器与可操纵的定向天线,安装在一个定制的无人机和地面站已被用来研究空对地(A2 G)无线电链路,更一般地说,在城市环境中的全三维毫米波传播。我们通过旋转天线来评估信道的双向特性,从而在链路两端获得功率角分布。初步结果提供了对A2 G传播的有用理解,例如天线倾斜角度的影响,或允许信号从街道峡谷传播到空中的机制。
2021-02-15 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
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
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
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
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
UWB Air-to-Ground Propagation Channel Measurements and Modeling using UAVs
本文提出了一种实验研究的空-地(AG)传播信道,通过超宽带(UWB)测量在一个开放的地区使用无人机(UAV)。使用UWB无线电在3.1 GHz - 4.8 GHz的频率范围和UWB平面椭圆偶极天线进行测量,该天线在方位平面中具有全向图案,在仰角平面中具有典型的甜甜圈形状图案。信道测量考虑了三种情况:(i)两个接收器(RX)在地面以上不同高度处并且在视线(LOS)中彼此靠近放置,其中发射器(TX)在UAV上并且UAV正在悬停;(ii)RX由于树叶而与UAV TX在视线(OLOS)中,并且UAV正在悬停;无人机沿圆形路径运动,在测量中使用了RX和TX之间不同的水平和垂直距离。此外,在无人机天线上采用了两种不同的天线方位(垂直和水平),以分析天线辐射方向图对UWB AG传播的影响。根据经验结果,观察到当天线朝向相同方向时,接收功率主要取决于仰角平面中的天线辐射图,如对于这些全向天线所预期的。此外,可以使用仰角的三角函数来近似TX和RX处的总天线增益。
2018-12-17 eess.SP
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
Antenna Array Enabled Space/Air/Ground Communications and Networking for 6G
天线阵列有着100多年的悠久历史,并随着电子和信息技术的发展而密切发展,在无线通信和雷达中发挥着不可或缺的作用。随着电子信息技术的飞速发展,全时、全域、全空间的网络服务需求呈爆炸式增长,对各种空间/空中/地面平台提出了新的通信需求。为了满足未来第六代(6 G)无线通信不断增长的需求,诸如高容量、广覆盖、低延迟和强鲁棒性,在空间/空中/地面通信网络中采用具有各种波束成形技术的不同类型的天线阵列,带来诸如可观的天线增益、复用增益和分集增益的优点是有希望的。然而,使天线阵列的空间/空中/地面通信网络提出了具体的,独特的和棘手的挑战,这引起了广泛的研究关注。本文旨在综述天线阵列使能的空间/空中/地面通信和网络领域。首先介绍了天线阵列支持的空间/空中/地面通信和网络的技术潜力和挑战。随后,天线阵列的结构和设计进行了讨论。然后,我们讨论了各种新兴技术的天线阵列,以满足新的空间/空中/地面通信系统的通信要求。在这些新兴技术的支持下,空间通信,机载通信和地面通信的不同特点,挑战和解决方案进行了审查。最后,我们提出了有前途的方向,天线阵列使空间/空中/地面通信和网络的未来研究。
2022-03-27 cs.IT eess.SP math.IT
CHARLES: Channel-Quality-Adaptive Over-the-Air Federated Learning over Wireless Networks
空中联邦学习(OTA-FL)已经成为一种有效的机制,其利用无线介质的叠加特性并在空中执行用于联邦学习的模型聚合。OTA-FL对无线信道衰落非常敏感,这会显著降低其学习精度。为了解决这个问题,在本文中,我们提出了一个OTA FL算法称为CHARLES(信道质量感知的空中本地估计和缩放)。我们的CHARLES算法进行信道状态信息(CSI)估计和自适应缩放,以减轻无线信道衰落的影响。建立了CHARLES算法的理论收敛速度性能,分析了CSI误差对CHARLES算法收敛性的影响。我们表明,自适应信道反演缩放方案在查尔斯不完美的CSI的情况下是强大的。我们还表明,通过数值结果,查尔斯优于现有的OTA-FL算法与异构数据下不完美的CSI。
2022-05-19 cs.IT eess.SP math.IT
Over-the-Air Federated Learning with Phase Noise: Analysis and Countermeasures
本文研究空中联邦学习中由载波频率偏移引起的相位噪声问题,提出在传输前对梯度应用 Roll、Flip 或 Sort 排列的应对方案,并通过仿真和理论分析揭示了排列对学习性能的双向影响及梯度估计方差随符号数指数增长的规律。
2024-01-16 cs.DC eess.SP
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
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
Over-the-air Federated Policy Gradient
The Hong Kong University of Science and Technology(香港科技大学);Nanyang Technological University(南洋理工大学);Uppsala University(乌普萨拉大学)
本文提出空中联邦策略梯度算法,通过无线信道聚合模拟信号更新策略,并分析噪声与信道失真下的收敛性及通信采样复杂度。
2024-02-26 cs.DC cs.LG eess.SP
Joint Antenna Selection and Beamforming for Massive MIMO-enabled Over-the-Air Federated Learning
本文针对RF链受限的大规模MIMO空中联邦学习,提出基于惩罚对偶分解和稀疏恢复的联合天线选择与波束成形算法,并证明仅用不到20%的天线即可接近全天线学习性能。
2023-05-26 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
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
Fluid Antenna Array Enhanced Over-the-Air Computation
针对空中计算(AirComp)的无线数据聚合需求,本文提出流体天线(FA)阵列增强方案,联合优化收发器设计与天线位置向量以最小化均方误差,通过交替优化分解非凸问题并迭代求解,显著降低MSE。
2025-02-13 cs.IT eess.SP math.IT
Pinching-Antenna Systems (PASS) Aided Over-the-air Computation
针对AirComp信道失配问题,提出PASS辅助系统,联合优化夹式天线位置、发射功率和解码向量以最小化MSE,并通过交替优化框架显著提升计算精度。
2025-05-12 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
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 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
Towards Designing Systems with Large Number of Antennas for Range Extension in Ground-to-Air Communications
使用基于地面的蜂窝网络向机载系统提供宽带连接是一种有前途的解决方案,因为它提供了优于基于卫星的解决方案的若干优点。然而,有限的地面基站范围是完全实现这种方法的关键挑战。本文解决了这个问题,提出了一个数学框架,利用大量的天线在基站的范围扩展。在以前的作品中,范围不被认为是一个设计参数相比,我们建模的信号噪声比作为两个天线数量的函数,以及在视线的地对空系统的范围。这使我们能够推导出分析表达式,以确定在不同的频段和跟踪和非跟踪情况下增加范围所需的天线数量。
2020-06-25 cs.SY eess.SP eess.SY
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
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
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
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
Energy-Efficient Over-the-Air Federated Learning via Pinching Antenna Systems
University of Toronto(多伦多大学)
本文提出利用压紧天线系统降低空中联邦学习的能耗,通过低复杂度算法优化PASS参数和设备调度,实验表明其在能量效率上优于传统MIMO服务器。
2026-02-15 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
Blind Asynchronous Over-the-Air Federated Edge Learning
KTH Royal Institute of Technology(KTH皇家理工学院);Princeton University(普林斯顿大学)
联邦边缘学习(FEEL)是一种分布式机器学习技术,其中每个设备通过独立地对其数据执行本地计算来训练全局推理模型。最近,FEEL已经与空中计算(OAC)合并,其中通过利用模拟信号的叠加来在空中计算全局模型。然而,当使用OAC实现FEEL时,存在如何对模拟信号进行预编码以克服接收器处的任何时间不对准的挑战。在这项工作中,我们提出了一种新的同步免费的方法来恢复在空中的全球模型的参数,而不需要任何先验信息的时间错位。为此,我们构造了一个基于范数最小化问题的凸优化,通过求解凸半定规划直接恢复全局模型。所提出的方法的性能进行评估,通过数值实验的精度和收敛性。我们表明,我们提出的算法是接近理想的同步情况下的$10\%$,并执行$4\times$比简单的情况下,没有使用恢复方法。
2022-10-31 cs.DC cs.LG eess.SP
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
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
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