A Secure Beamforming Design: When Fluid Antenna Meets NOMA
本文针对配备流体天线的下行NOMA系统,提出一种通过交替优化算法联合优化安全波束成形向量与天线位置以最大化安全速率的设计方案,显著提升了系统安全速率。
2024-11-13 eess.SP
Cell-Free MIMO with Rotatable Antennas: When Macro-Diversity Meets Antenna Directivity
Shanghai Jiao Tong University(上海交通大学)
本文提出了一种利用可旋转天线的无基站MIMO网络,通过优化波束成形和天线方向以提高最差用户速率并增强公平性。
2026-05-06 eess.SP
Movable Antenna Enhanced Federated Fine-Tuning of Large Language Models via Hybrid Client Selection Optimization
College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院);University of Electronic Science and Technology of China(电子科技大学);Lassonde School of Engineering, York University(约克大学拉森德工程学院)
针对带宽受限6G链路下LLM联邦微调,提出可移动天线增强的混合客户端选择优化方法,通过SCA-PDD算法联合优化资源分配,显著降低困惑度并提升公平性。
2025-10-26 eess.SP
Fluid Antennas Meet Rate-Splitting Multiple Access: A New Path Forward for 6G Networks
Nanyang Technological University(南洋理工大学);Shandong University(山东大学);Khalifa University(哈利法大学);Kyung Hee University(庆熙大学);Imperial College London(帝国理工学院)
本文探讨了流体天线与速率分裂多址接入的结合,分析其在6G网络中提升频谱效率和可靠性的作用,揭示两者协同增强机制及关键挑战。
2026-04-14 eess.SP
Pinching-Antenna Systems (PASS) Meet Multiple Access: NOMA or OMA?
针对基于PASS的两用户系统,本文比较NOMA、FDMA与TDMA下的夹置波束成形功率最小化设计,并通过算法与仿真揭示不同多址方案的性能优劣。
2025-06-16 eess.SP
Fluid Antennas Meet Intelligent Surfaces: Security Analysis of NOMA Systems Under Hardware Impairments
South China University of Technology(华南理工大学);Huizhou University(惠州学院);Guangdong University of Education(广东教育学院);Queen Mary University of London(伦敦大学玛丽女王学院);Kyung Hee University(庆熙大学);The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文研究了流体天线与智能表面结合下的NOMA系统安全性能,揭示了硬件失真对安全性能的影响及设计权衡。
2026-03-09 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
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
When NOMA Meets AIGC: Enhanced Wireless Federated Learning
本文首次融合 AIGC 与 NOMA 增强无线联邦学习,通过联合优化合成数据分布及双向通信、计算资源分配,提出低复杂度局部最优算法以降低全局学习误差。
2024-06-16 eess.SP
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
Movable Antennas Meet Intelligent Reflecting Surface: When Do We Need Movable Antennas?
本文研究IRS辅助多可移动天线基站下行传输,通过理论分析给出MA相对固定天线增益显著的条件,并提出交替优化算法联合优化波束赋形与天线位置以最大化接收SNR。
2024-09-01 cs.IT eess.SP math.IT
PFL-GAN: When Client Heterogeneity Meets Generative Models in Personalized Federated Learning
University of California, Davis(加利福尼亚大学戴维斯分校);University of Louisiana at Lafayette(路易斯安那大学拉斐特分校)
针对基于GAN的联邦学习中客户端数据异质性问题,提出新型PFL-GAN框架,通过客户端相似性学习与加权协作聚合实现个性化联邦学习,经多数据集实验验证有效。
2023-08-23 cs.AI cs.LG eess.SP
Communication-Efficient Massive UAV Online Path Control: Federated Learning Meets Mean-Field Game Theory
University of Oulu(奥卢大学);Deakin University(迪肯大学)
本文研究了对大量无人机(如无人机)的控制。通过考虑无人机之间的相互作用来控制无人机以形成群的简单方法需要大量的无人机间通信,这在实时应用中是不可能实现的。一种控制方法是应用平均场博弈(MFG)框架,该框架大大减少了UAV之间的通信。然而,要实现这一框架,强大的处理器需要获得在不同的无人机的控制律。这一要求限制了MFG框架在大规模无人机控制等实时应用中的使用。因此,一个基于神经网络(NN)的函数逼近器被用来逼近Hamilton-Jacobi-Bellman(HJB)和Fokker-Planck-Kolmogorov(FPK)方程的解。然而,使用近似解可能违反MFG框架的收敛条件。因此,联邦学习(FL)的方法,可以在无人机上共享神经网络的模型参数,提出了基于神经网络的MFG,以满足所需的条件。神经网络的MFG方法的稳定性分析和拟议FL-MFG的性能阐述了模拟。
2020-08-12 cs.LG cs.NI eess.SP
Fluid Antenna Systems Meet Low-Altitude Wireless Networks: Fundamentals, Opportunities, and Future Directions
Southern University of Science and Technology(南方科技大学);University of Chinese Academy of Sciences(中国科学院大学)
本文提出流体天线赋能低空无线网络的新型架构,通过空间可重构性提升通信、感知与控制性能,并探讨部署考量与未来研究方向。
2025-09-25 cs.IT eess.SP math.IT
Federated Learning Meets Contract Theory: Energy-Efficient Framework for Electric Vehicle Networks
在本文中,我们提出了一种新的能源效率的框架,电动汽车(EV)网络使用合同理论为基础的经济模型,以最大限度地提高充电站(CS)的利润和提高网络的社会福利。具体来说,我们首先介绍基于CS和CS集群的分散式联合能源学习(DFEL)方法,使CS训练自己的能源交易本地预测能源需求。通过这种方式,每个CS可以与其他CS交换其学习的模型,以提高预测准确性,而不会泄露实际数据集,并减少CS之间的通信开销。在能源需求预测的基础上,设计了一种基于多委托人单代理(MPOA)契约的方法。特别是,我们制定的CS的效用最大化作为一个非协作的能源合同问题,其中每个CS最大限度地提高其效用的共同约束下,从智能电网供应商(SGP)和其他CS的合同。然后,我们证明了所有CS的均衡合同解的存在性,并在SGP上开发了一个迭代算法来找到均衡。通过使用2017年至2018年英国Dundee市CS交易数据集的仿真结果,我们表明,与其他机器学习算法相比,我们提出的方法可以实现能源需求预测精度提高24.63%,并减少96.3%的通信开销。此外,我们所提出的方法可以优于非合同为基础的经济模型的35%和36%的CS的效用和社会福利的网络,分别。
2020-04-04 cs.NI eess.SP
Blind Federated Edge Learning
Princeton University(普林斯顿大学);Bilkent University(比尔肯特大学);Imperial College London(伦敦帝国理工学院)
我们研究了联合边缘学习(FEEL),其中每个无线边缘设备都有自己的数据集,在充当参数服务器(PS)的无线接入点的帮助下协作学习全局模型。在每次迭代时,无线设备使用它们的本地数据和从PS接收的最近全局模型来执行本地更新,并且通过无线衰落多址信道(MAC)将它们的本地更新发送到PS。PS然后根据通过无线MAC接收的信号更新全局模型,并与设备共享它。出于无线MAC的添加剂的性质,我们提出了一个模拟的“在空中”的聚合方案,其中的设备在一个未编码的方式发送其本地更新。与最近关于空中边缘学习的文献不同,这里我们假设设备没有信道状态信息(CSI),而PS具有不完美的CSI。相反,PS配备多个天线以减轻由于缺乏完美CSI而加剧的信道的破坏性影响。我们设计了一个接收波束形成方案在PS,并表明,它可以补偿缺乏完美的CSI时,PS有足够数量的天线。我们还推导出所提出的算法的收敛速度,突出了缺乏完美的CSI的影响,以及PS天线的数量。实验结果和收敛性分析都说明了所提出的算法的性能改善与PS天线的数量,其中无线衰落MAC变得确定性,尽管缺乏完美的CSI时,PS具有足够大的天线数量。
2020-10-19 cs.IT cs.LG eess.SP
Federated Learning Meets Blockchain in Edge Computing: Opportunities and Challenges
移动边缘计算(MEC)被认为是一种有前途的范例,可以处理无处不在的移动设备生成的大量数据,以便在人工智能(AI)的帮助下实现智能服务。传统上,人工智能技术通常需要在单个实体中进行集中式数据汇集和训练,例如,MEC服务器,由于数据隐私问题和高数据通信开销,MEC服务器现在正成为一个弱点。在这种情况下,联邦学习(FL)已经被提出来提供协作数据训练解决方案,通过协调多个移动设备来训练共享的AI模型,而不暴露它们的数据,这享有相当大的隐私增强。为了提高FL实施的安全性和可扩展性,区块链作为一种分类账技术对于实现分散式FL培训而无需任何中央服务器是有吸引力的。特别是,FL和区块链的集成导致了一种新的范式,称为FLchain,它可能将智能MEC网络转变为分散的,安全的和隐私增强的系统。本文概述了基本概念,并探讨了FLchain在MEC网络中的机会。我们确定了FLchain设计中的几个主要问题,包括通信成本,资源分配,激励机制,安全和隐私保护。最后介绍了物流链设计的关键技术,并对物流链设计的发展前景进行了展望。然后,我们研究了FLchain在流行MEC领域的应用,如边缘数据共享,边缘内容缓存和边缘crowdsensing。最后,还强调了重要的研究挑战和未来的方向。
2021-04-05 cs.CR eess.SP
Spherical Antenna Arrays for Future Communications: Principles, Applications, and Research Directions
National Mobile Communications Research Laboratory, School of Information Science and Engineering, Southeast University(东南大学信息科学与工程学院移动通信国家重点实验室)
针对6G需求,球面天线阵列通过三维全覆盖和高角分辨能力,替代传统线性与平面阵列,探讨其结构、应用及研究挑战。
2026-04-08 eess.SP
Mobile Distributed MIMO (MD-MIMO) for NextG: Mobility Meets Cooperation in Distributed Arrays
本文提出移动分布式MIMO(MD-MIMO)网络概念,通过无线链路连接分布式天线阵列与基站实现节点移动,提升部署灵活性并降低成本,经车载网络案例评估,可大幅改善吞吐量与可靠性。
2025-04-16 eess.SP
Fair Rate Maximization for Fluid Antenna Relay (FAR)-assisted Multi-user MISO Communications
针对流体天线中继辅助的多用户MISO系统,提出基于逐次凸逼近的交替算法联合优化天线位置,以最大化最小速率保障用户公平性,显著提升系统性能。
2025-07-01 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
Age-Aware Edge-Blind Federated Learning via Over-the-Air Aggregation
Department of Electrical and Computer Engineering, University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校电气与计算机工程系);Electrical Engineering Department, Faculty of Engineering, Alexandria University(亚历山大大学工程学院电子工程系)
本文提出一种无需信道状态信息的高效联邦学习方法,通过最大比合并技术减少延迟,AgeTop-k算法优化参数选择,实验表明更多天线和合适k值能提升性能。
2026-03-18 cs.IT cs.LG eess.SP
MIMO Radar Meets Polarization-Reconfigurable Antennas: A BCRB Perspective
The Hong Kong Polytechnic University(香港理工大学)
本文研究极化可重构天线辅助的MIMO雷达系统,推导其感知性能的贝叶斯克拉美罗界,提出交替优化算法联合优化发射协方差矩阵与收发相移矢量以最小化该界,数值结果验证了算法有效性。
2025-10-11 cs.IT eess.SP math.IT
Differentially Private Over-the-Air Federated Learning Over MIMO Fading Channels
The Chinese University of Hong Kong(香港中文大学);Cornell University(康奈尔大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
针对MIMO衰落信道空中联邦学习的隐私放大问题,本文分析收敛与隐私损失,提出基于交替优化的收发器设计算法,实现更优隐私-学习权衡。
2023-12-25 cs.CR cs.IT cs.LG
Rethinking Integrated Sensing and Communication: When Near Field Meets Wideband
该研究针对近场宽带感知通信一体化系统,分析了近场信道特征与效应,提出其可替代大带宽实现信号复用与距离感知,还具备独有的多普勒域能力,并探讨了相关范式转变方向。
2024-01-14 cs.IT eess.SP math.IT
Can 3GPP New Radio Non-Terrestrial Networks Meet the IMT-2020 Requirements for Satellite Radio Interface Technology?
本文针对低轨卫星的3GPP新空口非地面网络,通过系统仿真评估其是否满足IMT-2020卫星无线接口要求,发现双天线下行FRF1性能反超FRF3,单发射天线上行可大幅达标,为5G卫星部署提供了性能依据。
2024-05-14 cs.NI eess.SP
Random Orthogonalization for Federated Learning in Massive MIMO Systems
提出了一种新的上行链路通信方法--随机正交化,用于大规模多输入多输出(MIMO)无线系统中的联邦学习(FL)。随机正交化的关键新颖性来自FL模型聚合的紧密耦合和大规模MIMO的两个独特特性-信道硬化和有利的传播。结果,随机正交化可以实现自然的空中模型聚合,而不需要发射机侧信道状态信息,同时显著减少接收机处的信道估计开销。理论分析方面的通信和机器学习性能进行。特别地,建立了收敛速度、客户端数目和天线数目之间的显式关系。实验结果验证了大规模MIMO中FL随机正交化的有效性和效率。
2022-01-29 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
Movable Antennas Meet Intelligent Reflecting Surface: Friends or Foes?
本文研究IRS辅助多用户MISO系统中可移动天线相对固定天线的性能增益问题,推导增益显著与否的条件,并提出基于交替优化、WMMSE、流形优化和离散采样的求解算法,揭示IRS无源波束赋形优化可能削弱MA增益。
2025-07-03 cs.IT eess.SP math.IT
Fluid Antenna Relay Assisted Communication Systems Through Antenna Location Optimization
本文研究流体天线中继辅助通信系统的资源分配问题,通过联合优化天线位置和带宽分配最大化总速率,提出基于闭式最优带宽的交替算法,使总速率较传统方案最高提升125%。
2024-06-27 cs.IT eess.SP math.IT
Over-The-Air Federated Learning: Status Quo, Open Challenges, and Future Directions
Fudan University(复旦大学);Commonwealth Scientific and Industrial Research Organisation(联邦科学与工业研究组织);Princeton University(普林斯顿大学)
本文全面综述了空中联邦学习(OTA-FL)的研究现状,从系统设置、信任安全隐私等角度总结了现有进展,并指出了信道衰落模型失真、数据不平衡及本地模型验证等未来挑战与方向。
2023-07-03 cs.DC cs.LG cs.NI
Energy Minimized Federated Fog Computing over Passive Optical Networks
对时间敏感的应用程序和服务的快速增长推动了计算基础设施的增强。这些应用需要解决的主要挑战是最终用户需求的最佳放置,以减少总功耗和延迟。解决这一挑战的一个广泛采用的范例是雾计算。将雾单元放置在靠近网络边缘的最终用户的地方,可以帮助缓解一些延迟和能效问题。与传统的超大规模云数据中心相比,雾计算单元受到计算能力的限制,因此,雾单元的容量在满足终端用户由于密集处理工作负载而产生的严格需求方面起着关键作用。在本文中,我们的目标是优化部署的虚拟机(VM)的需求来自最终用户在雾计算设置通过制定一个混合线性规划(MILP)模型,以最大限度地减少总功耗,通过使用由多个分布式雾单元组成的联邦架构。获得的结果显示,与非联邦雾网络相比,雾层的处理能力有所增加,功耗降低了高达26%。
2021-05-21 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
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
Fluid Antenna for Mobile Edge Computing
本文提出一种将流体天线集成到移动边缘计算网络的方案,通过联合优化计算卸载与天线位置,并采用内点法和粒子群优化的交替迭代算法,显著提升传输速率并降低系统延迟。
2024-03-18 cs.IT eess.SP math.IT
Cognitive Learning-Aided Multi-Antenna Communications
University of Luxembourg(卢森堡大学);Duzce University(迪兹杰大学);United States Army Research Laboratory(美国陆军研究实验室)
认知通信已经成为一种有前途的解决方案,可以增强、适应和发明超越传统无线网络的新工具和功能。深度学习(DL)在实现认知系统的基本功能方面至关重要,因为它具有快速预测性能,自适应行为和无模型结构。这些特征对于产生和处理大量数据的多天线无线通信系统尤其重要。多个天线可提供分别改善容量、误比特率或信号与干扰加噪声比的复用、分集或天线增益。在实际应用中,多天线认知通信面临着数据复杂性和多样性、硬件复杂性以及无线信道动态性等方面的挑战。诸如联邦学习、迁移学习和在线学习的DL解决方案在通信处理的各个阶段解决这些问题,包括多信道估计、混合波束形成、用户定位和稀疏阵列设计。本文概述了各种基于DL的方法,可将认知行为赋予多天线无线通信,以提高鲁棒性并适应环境变化,同时提供令人满意的频谱效率和计算时间。我们从数据、学习和收发器架构的角度讨论DL设计挑战。特别是,我们建议量化的学习模型,数据/模型并行化和分布式学习方法来解决上述挑战。
2022-04-02 cs.AI cs.IT cs.LG
A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems
POSTECH(浦项工科大学);Princeton University(普林斯顿大学);Nanjing University of Science and Technology(南京理工大学)
联邦学习是一种隐私保护方法,通过与无线设备协作,在中央服务器上训练全局模型,每个无线设备都有自己的本地训练数据集。在本文中,我们提出了一种压缩感知方法,用于大规模多输入多输出通信系统的联邦学习,其中中央服务器配备了大量的天线阵列与无线设备进行通信。系统设计中的一个主要挑战是在中央服务器处准确地重建局部梯度向量,这些梯度向量是从无线设备计算并发送的。为了克服这一挑战,我们首先建立了一个传输策略,在设备上从局部梯度向量构建稀疏传输信号。然后,我们提出了一个压缩感知算法,使服务器迭代地找到线性最小均方误差(LMMSE)估计的传输信号,利用其稀疏性。我们还推导出一个分析阈值的残差在每次迭代,设计所提出的算法的停止标准。我们表明,对于稀疏的发射信号,该算法需要更少的计算复杂度比LMMSE。仿真结果表明,该方法优于传统的线性波束形成方法,并缩小了联邦学习和集中式学习之间的性能差距,具有完美的重建。
2020-08-05 cs.DC cs.LG eess.SP
A Simple Method for the Performance Analysis of Fluid Antenna Systems under Correlated Nakagami-$m$ Fading
本文研究单天线流体天线系统在相关Nakagami-$m$衰落下的性能,提出基于渐近匹配的闭式近似方法高效计算中断概率,计算量极低且精度高,性能超越传统最大比合并技术。
2023-09-15 cs.IT eess.SP math.IT
Random Orthogonalization for Federated Learning in Massive MIMO Systems
University of Virginia(弗吉尼亚大学);The Pennsylvania State University(宾夕法尼亚州立大学);Princeton University(普林斯顿大学)
我们提出了一种新的通信设计,称为随机正交化,联邦学习(FL)在一个大规模的多输入多输出(MIMO)无线系统。随机正交化的关键新颖性来自FL的紧密耦合和大规模MIMO的两个独特特性-信道硬化和良好的传播。结果,随机正交化可以实现自然的空中模型聚合,而不需要用于FL的上行链路阶段的发射机侧信道状态信息(CSI),同时显著减少接收机处的信道估计开销。我们将这一原则扩展到下行链路通信阶段,并开发了一个简单但高效的模型广播方法FL。我们还放松了大规模MIMO假设,提出了一个增强的随机正交化设计的上行链路和下行链路FL通信,不依赖于信道硬化或有利的传播。理论分析方面的通信和机器学习性能进行。特别是,收敛速度,客户端的数量和天线的数量之间的显式关系建立。实验结果验证了大规模MIMO中FL随机正交化的有效性和效率。
2022-10-18 cs.IT cs.LG eess.SP
Integrated Sensing, Computing, and Semantic Communication with Fluid Antenna for Metaverse
本文提出面向元宇宙的流体天线集成感知、计算与语义通信框架,通过联合优化波束赋形、天线定位与语义提取,在保证感知精度和资源约束下最大化数据速率。
2025-04-10 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