Personalized Over-the-Air Federated Learning with Personalized Reconfigurable Intelligent Surfaces

要約

Over-the-Air Federated Learning (OTA-FL) は、無線チャネル固有の重ね合わせ特性を活用することで、帯域幅効率の高い学習を提供します。
パーソナライズされたフェデレーテッド ラーニングは、多様なデータセットを使用してユーザーのパフォーマンスのバランスをとり、現実のデータの異質性に対処します。
私たちは、各ユーザーの個人的な再構成可能なインテリジェント サーフェス (RIS) によって支援される、マルチタスク学習による最初のパーソナライズされた OTA-FL スキームを提案します。
私たちは、非 i.i.d データのマルチタスク学習を使用して、不完全なチャネル状態情報を持つ時変チャネルのグローバルおよびパーソナライズされたタスクの通信および計算リソースを最適化するクロスレイヤー アプローチを採用しています。
当社の PROAR-PFed アルゴリズムは、電力、ローカル反復、RIS 構成を適応的に設計します。
非凸対物レンズの収束解析を提示し、PROAR-PFed が Fashion-MNIST データセットで最先端のパフォーマンスを上回ることを実証します。

要約(オリジナル)

Over-the-air federated learning (OTA-FL) provides bandwidth-efficient learning by leveraging the inherent superposition property of wireless channels. Personalized federated learning balances performance for users with diverse datasets, addressing real-life data heterogeneity. We propose the first personalized OTA-FL scheme through multi-task learning, assisted by personal reconfigurable intelligent surfaces (RIS) for each user. We take a cross-layer approach that optimizes communication and computation resources for global and personalized tasks in time-varying channels with imperfect channel state information, using multi-task learning for non-i.i.d data. Our PROAR-PFed algorithm adaptively designs power, local iterations, and RIS configurations. We present convergence analysis for non-convex objectives and demonstrate that PROAR-PFed outperforms state-of-the-art on the Fashion-MNIST dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google