CN116841732A - 一种基于单比特量化的联邦学习资源优化设计方法 - Google Patents
一种基于单比特量化的联邦学习资源优化设计方法 Download PDFInfo
- Publication number
- CN116841732A CN116841732A CN202310672273.XA CN202310672273A CN116841732A CN 116841732 A CN116841732 A CN 116841732A CN 202310672273 A CN202310672273 A CN 202310672273A CN 116841732 A CN116841732 A CN 116841732A
- Authority
- CN
- China
- Prior art keywords
- federal learning
- local
- vector
- symbol
- base station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000013139 quantization Methods 0.000 title claims abstract description 21
- 238000013461 design Methods 0.000 title claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 39
- 230000002776 aggregation Effects 0.000 claims abstract description 17
- 238000004220 aggregation Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000013468 resource allocation Methods 0.000 claims abstract description 8
- 238000011002 quantification Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 24
- 230000010363 phase shift Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 9
- 238000005562 fading Methods 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/145—Passive relay systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及无线通信和联邦学习领域，提出一种基于单比特量化的联邦学习资源优化设计方法，包括步骤：S1、智能反射面赋能的单比特联邦梯度无线聚合建模；S2、无线环境下联邦学习训练框架收敛性分析及问题建模；S3、联邦学习通算资源分配优化策略。本发明一方面，通过单比特量化策略实现模型参数的轻量级传输，另一方面通过部署智能反射面智能调控无线环境，极大的提升无线聚合质量，解决了目前大部分无线联邦学习方法所存在的通信和开销问题，同时有效地提升了模型训练精度。
Description
技术领域
本发明涉及无线通信和联邦学习领域，特别涉及一种无线通信场景下鲁棒高效的联邦学习方法。
背景技术
下一代无线网络的发展将使以机器学习为基础的应用程序扮演着愈发重要的角色，以有效分析边缘设备收集的各种类型的应用数据，从而开展推理、自治和决策的相关任务。然而，由于资源限制、时延需求和隐私问题方面的挑战，边缘设备将其收集的整个数据集上传到云服务器以进行集中模型训练或推理是不切实际的。为此，联邦边缘学习作为边缘机器学习最具吸引力的范例之一，允许分布式设备能够协同训练全局模型的同时，保证隐私数据的本地化处理。与集中式学习模式相比，联邦边缘学习可以有效地保护用户隐私和数据安全，避免了隐私敏感数据在无线信道上的传输。此外，学习中心从云服务器下沉到网络边缘，边缘设备只需将最新模型参数传输到边缘基站，由此显著降低通信成本，从而克服了由于潜在的网络拥塞而导致的传播延迟过大的缺点。
尽管联邦边缘学习具有上述优点，其依然面临着急需解决的挑战，例如传输开销和通信质量。具体来说，在迭代模型更新过程中，将数百万个局部参数(一般来说每个模型参数大小为32比特)从边缘设备传输到基站的通信开销，仍然是一个重要的瓶颈。同时，由于边缘设备通过无线信道连接到边缘基站，因此基站接收到的模型参数不可避免地会受到信道衰落和加性噪声的影响。因此，设计上行通信以实现更可靠的模型更新仍然是部署联邦边缘学习系统。
发明内容
针对无线无信场景下联邦学习系统存在的传输开销和通信质量问题，本发明提出一种基于单比特量化和智能反射面赋能的无线聚合策略和资源优化方案，旨在降低模型传输开销的同时，尽可能地保证系统传输可靠性。
为了实现上述目的，本发明所采用的具体技术方案包括：
一种基于单比特量化的联邦学习资源优化设计方法，包括以下具体步骤：S1、智能反射面赋能的单比特联邦梯度无线聚合建模；S2、无线环境下联邦学习训练框架收敛性分析及问题建模；S3、联邦学习通算资源分配优化策略。这三个步骤是环环相扣的，首先是无线通信下的联邦学习建模，第二步分析这种建模下的联邦学习性能上界，并通过最大化性能构造联邦学习通算资源分配优化问题，最后第三步设计优化策略求解优化问题解。
本发明的有益效果：
本发明提出一种基于单比特量化和智能反射面赋能的无线聚合策略和资源优化方案。一方面，通过单比特量化策略实现模型参数的轻量级传输，另一方面通过部署智能反射面智能调控无线环境，极大的提升无线聚合质量，解决了目前大部分无线联邦学习方法所存在的通信和开销问题。同时，针对训练过程中由采样和通信误差引发的误差项，本发明提出了一种针对功率分配向量及RIS相移矩阵的联合优化方法，从而有效地提升了模型训练精度。
附图说明
图1基于单比特量化和智能反射面赋能的联邦学习无线聚合
图2本发明流程示意图
文中术语注解：
边缘设备：具有数据处理和无线通信功能的智能体，为分布式设备，诸如无人机、服务器、无人驾驶汽车车辆、机器人、基站等，根据不同应用场景而定。
具体实施方式
本发明针对无线通信场景下联邦学习系统存在的传输开销和通信质量问题，提出一种基于单比特量化和智能反射面赋能的无线聚合策略和资源优化方案。首先构造基于数字调制技术的单比特联邦梯度聚合模型，通过推导终端选择误差和传输误差，推导任意网络配置条件下的联邦学习训练损失上界；并以此为基础，建立通信资源约束下、以设备选择策略和通信配置为变量的损失上界最小化问题，联合优化设备选择策略、功率分配向量和智能反射面配置矩阵，以减弱甚至消除通信误差对联邦学习收敛性能的影响。本发明的优点在于，一方面通过单比特量化策略实现模型参数的轻量级传输，另一方面通过部署智能反射面智能调控无线环境，极大的提升无线聚合质量，解决了目前大部分无线联邦学习方法所存在的通信和开销问题。下面将结合说明书附图，对本发明做进一步的说明。
参阅图1和图2，本发明所述的一种基于单比特量化和智能反射面赋能的无线聚合策略和资源优化方案，包括以下步骤：
S1、智能反射面赋能的单比特联邦梯度无线聚合建模，其具体包括：
S11、单比特联邦梯度聚合模型
考虑一个配备J个天线的无线基站(BS)和K个单天线的边缘设备组成的联邦边缘学习系统，其中部署了智能反射面(RIS)以辅助通信。每个设备k存有本地数据集其由已标记的数据样本特征和关联标签组成。边缘设备在无线基站(BS)的协调下协作训练一个全局模型参数向量/>从形式上来说，边缘设备本地学习的目标是最小化本地数据集/>上的经验损失函数Fk(w)，即/>式中，f为样本损失函数，其量化模型w在训练样本z上的预测偏差。基于本地损失函数，全局损失函数建模为所有设备的平均损失函数，即/>
单比特联邦梯度聚合可描述为一个迭代计算模型，并且第n轮迭代的具体过程如下：
1)无线基站首先从边缘设备集合中选择数量为Kc的设备子集，表示为集合参与联邦学习训练过程。
2)每个被选择的设备利用基站广播的当前参数w(n)和从本地数据集中选取的维度为nb的子集/>近似计算梯度的局部估计/>
3)每个被选择设备执行单比特量化操作，即取局部梯度参数的符号，生成局部符号向量/>其中sign为求符号操作，并将其通过无线信道传送到无线基站中。
4)若量化的局部梯度在基站端能够完美的恢复，那么基站端将各设备的符号向量求和得/>接着，本轮的全局梯度估计为/>最后，基站计算w(n+1)＝w(n)-ηv(n)并向所有设备广播，启动下一次训练迭代。一旦满足收敛条件，如达到最大通信次数等，终止联邦训练过程。
S12、智能反射面赋能的无线通信建模
智能反射面赋能的无线通信模型包括：无线基站(BS)、边缘设备k、智能反射面以及智能反射面控制器。
为了应对频率选择性衰落和符号干扰，利用正交频分多址调制技术将可用带宽B划分为M个子带宽，表示为集合其中M＞＞K。此外，每个子带宽由S个正交子信道(或子载波)组成，表示为/>假定每个子带宽内的信道是相同的，但假定不同子带宽之间的信道是不同的。为避免设备间的干扰，假定每个子带宽最多分配给一个设备。此外，假设每个边缘设备只使用一个子带宽传输量化梯度。
智能反射面由L个被动反射元件组成，为其与控制器关联，并且，控制器通过调节智能反射面元件反射系数来控制信号反射。在每个子带中，有两条从边缘设备/> 到达基站的无线链路，分别为直传链路/>和级联链路/>Gk和分别表示RIS和设备/>到无线基站(BS)之间的信道增益。/>表示RIS相移矩阵，满足φ＝[φ1,φ2,...,φL]T且|φl|＝1。所有的边缘设备均采用固定的数字星座传输，例如通过二值相移键控(BPSK)调制，量化的局部梯度都被映射到一个数字符号令/> 存储第n次迭代中边缘设备/>大小为q的量化梯度。梯度上传阶段持续时间将由/>符号组成。定义功率分配向量p＝[p1,p2,...,pK]T。其中，pk表示设备k在各子信道上的发射功率。由此，在第n个正交频分多址(OFDM)符号第s个子信道上，无线基站(BS)接收设备k第i＝(t-1)S+s个量化梯度为式中，nk表示加性白高斯噪声。基站端利用极大似然估计，计算/>的估计为/>当无线基站(BS)估计完正交频分多址(OFDM)符号中所有的量化梯度后，构造解码后梯度向量。通过级联所有正交频分多址(OFDM)符号，可以恢复完整的量化梯度。
S2、无线环境下联邦学习训练收敛性分析及问题建模，其具体包括：
S21、联邦学习训练框架收敛性分析：
定义如下的联邦学习设定：1)全局损失函数F(w)是光滑的，且光滑系数向量为L＝[L1,L2,...,Lq]T；2)随机梯度估计是真实梯度的独立无偏估计，其具有有界方差 随机梯度服从单峰分布，并围绕其均值对称。基于以上假设，可以推导出经过随机采样和无线通信系统后，全局梯度符号与真实梯度的符号偏离概率闭式上界，为
其中,∑i表示边缘设备选择参数，/>表示无线信道的完美程度，/>表示二值相移键控(BPSK)调制下的比特误码率，其揭示了数据传输过程中通信噪声对量化梯度正确解码的影响，且表示为/>通过上述概率，可以分析出平均全局梯度的收敛上限，表示为
其中，比例因子γ为一个非负常数，N表示最大通信次数。
S22、联邦学习通算资源分配优化问题建模：
信道噪声和数据随机性对收敛速度的影响可以转化为两个尺度因子aRIS和bRIS，从而降低收敛速度。然而，aRIS是相对于bRIS的单调递增函数。因此，通过最小化bRIS,aRIS将同时降低，从而降低误差上限，实现更快的收敛。因此，以最小化bRIS为目标，优化功率分配向量和RIS相移矩阵，可辅助衰落信道上“通信-学习”的协同设计。因此，可得到如下的优化目标函数：
式中，第一个约束条件保证每RIS元素的恒模要求；第二个约束来自最大功率约束；第三个约束保证设备功率的非负性。
S3、联邦学习通算资源分配优化策略，其具体包括：
S31、固定相移矩阵Θ，求解功率分配向量p：
给定RIS相移矩阵Θ，原问题可简化为
式中，将Kc等价地改写为且可以分析当/>时，Ξk＝0，因此
为了利用标准凸优化求解器求解，构造一个
Q函数紧密上界，定义为
通过加权逼近l0范数及一阶泰勒展开，将目标函数转化为拟凸函数的形式，即
其中，索引i和j分别表示l0逼近和泰勒展开迭代次数索引，定义f1(pj)表示原问题利用θ(x)近似后的分母部分。其中，0≤θ≤1，λ是正则化参数，以避免在迭代中变为0时产生无穷值。v是一个大小为K的列向量，其每个元素表示为
上述拟凸优化问题可用二分法有效求解。定义f2(pj)为上述问题的分子部分，则问题可以转化为可行性检验问题，即
find pj
subject to f2(pj)-χf1(pj)≤0
该问题可以用标准的凸优化求解器进行有效求解。设p*为问题最优解，如果问题可行，则有从而使χ相应减小。相反，/>则增加χ。
S32、固定功率分配向量p，求解相移矩阵Θ：
给定功率分配向量p，原问题可简化为
令则上述问题目标函数中的/>可重写为/>其中，X定义为
此时，上述问题重写为
rank(X)＝1.
通过利用近似，上述问题可利用凸差分技术和现有的求解器高效求解。
最终迭代后所输出的功率分配向量及RIS相移矩阵即为系统优化结果。
上述描述仅是对本申请较佳实施例的描述，并非是对本申请范围的任何限定。任何熟悉该领域的普通技术人员根据上述揭示的技术内容做出的任何变更或修饰均应当视为等同的有效实施例，均属于本申请技术方案保护的范围。
Claims (10)
1.一种基于单比特量化的联邦学习资源优化设计方法，其旨在降低无线通信下联邦学习系统传输开销的同时，尽可能地保证系统传输可靠性；其特征在于，包括：
S1、无线通信下基于单比特量化的联邦学习建模；
S2、无线通信下联邦学习收敛性分析框架及优化问题建模；
S3、联邦学习通算资源分配优化策略。
2.如权利要求1所述的方法，其特征在于，所述步骤S1旨在建立无线通信场景下基于单比特量化的联邦学习聚合模型，其建模涉及两方面，一是基于单比特量化的联邦学习梯度聚合模型；二是智能反射面(RIS)赋能的无线通信模型。
3.如权利要求2所述的方法，其特征在于，所述基于单比特量化的联邦学习梯度聚合模型适用且不限于由配备J个天线的无线基站(BS)和K个单天线的边缘设备组成的联邦学习系统；每个边缘设备存有本地数据集其由已标记的数据样本特征和关联标签组成；边缘设备在无线基站(BS)的协调下协作训练一个全局的模型/>其中边缘设备本地学习的目标是最小化本地数据集/>上的局部经验损失函数Fk(w)，表示为式中，f(w,z)为本地样本损失函数，其衡量模型w在训练样本z上的预测偏差；基于本地样本损失函数，全局经验损失函数F(w)建模为所有边缘设备的平均局部经验损失函数，即/>
所述基于单比特量化的联邦学习梯度聚合模型可描述为一个迭代计算过程，并且第n轮迭代的具体步骤如下：
1)无线基站首先从边缘设备集合中选择数量为Kc的设备子集，表示为集合参与联邦学习训练过程；
2)每个被选择的边缘设备利用无线基站广播的模型w(n)和从本地数据集中选取的数量为nb的数据子集/>近似计算局部梯度/>
3)每个被选择的边缘设备执行单比特量化操作，即取局部梯度的符号，生成局部符号向量/>其中sign为求符号操作，并将其通过无线信道传送到无线基站；
4)若所传局部符号向量在无线基站能够完美的恢复，那么无线基站将各边缘设备的局部符号向量/>求和，并取符号得到全局符号向量/>接着，第n+1轮迭代全局的模型w(n+1)估计为w(n+1)＝w(n)-ηv(n)，其中η为学习率；最后，无线基站向所有边缘设备广播w(n+1)，以启动下一次训练迭代；一旦满足收敛条件，达到最大通信次数，则终止联邦学习训练过程。
4.如权利要求2所述的方法，其特征在于，所述智能反射面赋能的无线通信模型包括：无线基站(BS)、边缘设备k、智能反射面以及智能反射面控制器；
为了应对频率选择性衰落和符号干扰，所述无线通信模型采用正交频分多址(OFDM)调制技术将可用带宽B划分为M个子带宽，表示为集合其中M远大于K，其中，每个子带宽由S个正交的子信道组成，表示为集合/>且每个子带宽内的子信道是相同的，不同子带宽之间的子信道是不同的；为避免设备间的干扰，假定每个子带宽最多分配给一个边缘设备，且每个边缘设备只使用一个子带宽传输局部符号向量/>
智能反射面由L个被动的反射元件组成，元件索引集合表示为其与智能反射面控制器关联；并且，智能反射面控制器通过调节反射元件系数来控制信号反射；在每个子带宽的子信道中，有两条从边缘设备/>到达无线基站(BS)的无线链路，分别为直传链路/>和级联链路/>Gk和/>分别表示无线基站(BS)和边缘设备到智能反射面之间的信道增益，/>表示智能反射面反射元件的相移矩阵，其中向量φ＝[φ1,φ2,...,φL]T且|φl|＝1；
所有边缘设备均采用固定的数字星座传输局部符号向量通过二值相移键控(BPSK)调制，局部符号向量/>中的每个元素都被映射到数字符号集合/>令 存储第n次迭代中边缘设备/>大小为q的局部符号向量，则局部符号向量/>上传阶段持续时间将由/>OFDM符号组成；定义功率分配向量p＝[p1,p2,...,pK]T，其中，pk表示边缘设备k在各子信道上的发射功率；在第n个正交频分多址(OFDM)符号中第s个子信道上，无线基站(BS)接收到边缘设备k发送的第i＝(t-1)S+s个局部符号向量元素/>且接收信号表示为/>式中，nk表示加性白高斯噪声；无线基站(BS)利用极大似然估计，将局部符号向量元素/>解码为/>当无线基站(BS)解码完正交频分多址(OFDM)符号中所有的局部符号向量元素/>后，通过级联所有正交频分多址(OFDM)符号，重构完整的局部符号向量。
5.如权利要求1所述的方法，其特征在于，所述步骤S2旨在建立无线通信下的联邦学习收敛性分析框架，其通过将比特误码率引入到梯度更新过程中，构造联邦学习的收敛误差闭式上界，并通过最小化该上界构造通算资源分配优化问题。
6.如权利要求5所述的方法，其特征在于，所述无线通信下联邦学习收敛性分析框架立足于如下的学习设定：
1)全局经验损失函数F(w)是光滑的，且光滑系数向量为L＝[L1,L2,...,Lq]T；
2)局部梯度是真实梯度/>的独立无偏估计，其具有有界方差，且方差向量表示为σ；
3)局部梯度服从单峰分布，并围绕其均值对称；
基于以上假设，推导出经过无线通信系统后，全局符号向量与真实梯度的符号偏离概率的闭式上界表示为
其中,∑i表示边缘设备选择参数，/>表示无线信道的完美程度，/>表示二值相移键控(BPSK)调制下的比特误码率，表示为/>
通过全局符号向量与真实梯度的符号偏离概率分析出联邦学习的收敛误差闭式上界，表示为
其中，比例因子γ为一个非负常数，N表示最大通信次数。
7.如权利要求5所述的方法，其特征在于，所述联邦学习通算资源分配优化问题建模基于最小化收敛误差闭式上界：
具体来说，无线通信对联邦学习收敛的影响概括为在收敛误差闭式上界中引入两个比例因子aRIS和bRIS，从而降低收敛速度；
比例因子aRIS是相对于bRIS的单调递增函数；通过最小化bRIS,aRIS将同时降低，从而降低收敛误差闭式上界，实现更快的收敛；
以最小化bRIS为目标，优化功率分配向量p和智能反射面的相移矩阵Θ，辅助衰落信道上联邦学习“通信-学习”的协同设计；
得到优化目标函数：
式中，
第一个约束条件保证相移矩阵的恒模要求；
第二个约束来自最大功率约束；
第三个约束保证设备功率的非负性。
8.如权利要求1所述的方法，其特征在于，所述步骤S3，通过交替优化功率分配向量p和智能反射面的相移矩阵Θ得到优化目标函数的结果，其包括两个主要步骤：
S31一是固定相移矩阵Θ，求解功率分配向量p；
S32二是固定功率分配向量p，求解相移矩阵Θ。
9.如权利要求8所述的方法，其特征在于，S31：所述固定相移矩阵Θ，求解功率分配向量p，描述为：
给定相移矩阵Θ，优化目标函数简化为
式中，将Kc等价地改写为当/>时，Ξk＝0，/>
构造一个Q(x)函数的紧密上界定义为/>通过加权逼近/>范数及一阶泰勒展开，将目标函数转化为拟凸函数的形式，即
其中，索引t和j分别表示逼近和泰勒展开迭代次数索引，定义f1(pj)表示原问题利用近似后的分母部分；/>其中，常数0≤θ≤1，λ是正则化参数，以避免在迭代中变为0时产生无穷值；v是一个大小为K的列向量，其每个元素表示为/>
上述拟凸优化问题用二分法有效求解：定义f2(pj)为上述问题的分子部分，则问题转化为可行性检验问题，即
find pj
subject to f2(pj)-χf1(pj)≤0
该问题用标准的凸优化求解器进行有效求解：设p*为问题最优解，如果问题可行，则有从而使χ相应减小；相反，/>则增加χ。
10.如权利要求8所述的方法，其特征在于，所述S32：所述固定功率分配向量p，求解相移矩阵Θ，描述为：
给定功率分配向量p，优化目标函数简化为
令则上述问题目标函数中的重写为/>其中，X定义为/>
此时，上述问题重写为
rank(X)＝1.
通过利用近似，上述问题利用凸差分技术和现有的求解器高效求解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310672273.XA CN116841732A (zh) | 2023-06-07 | 2023-06-07 | 一种基于单比特量化的联邦学习资源优化设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310672273.XA CN116841732A (zh) | 2023-06-07 | 2023-06-07 | 一种基于单比特量化的联邦学习资源优化设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116841732A true CN116841732A (zh) | 2023-10-03 |
Family
ID=88162562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310672273.XA Pending CN116841732A (zh) | 2023-06-07 | 2023-06-07 | 一种基于单比特量化的联邦学习资源优化设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116841732A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117042162A (zh) * | 2023-10-09 | 2023-11-10 | 中国移动紫金(江苏)创新研究院有限公司 | 通信方法、装置、反射平面、计算系统、增强器及中继器 |
| CN117669271A (zh) * | 2024-01-31 | 2024-03-08 | 北京理工大学 | 基于近端算子的多智能体系统非光滑优化方法及存储介质 |
-
2023
- 2023-06-07 CN CN202310672273.XA patent/CN116841732A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117042162A (zh) * | 2023-10-09 | 2023-11-10 | 中国移动紫金(江苏)创新研究院有限公司 | 通信方法、装置、反射平面、计算系统、增强器及中继器 |
| CN117042162B (zh) * | 2023-10-09 | 2023-12-26 | 中国移动紫金(江苏)创新研究院有限公司 | 通信方法、装置、反射平面、计算系统、增强器及中继器 |
| CN117669271A (zh) * | 2024-01-31 | 2024-03-08 | 北京理工大学 | 基于近端算子的多智能体系统非光滑优化方法及存储介质 |
| CN117669271B (zh) * | 2024-01-31 | 2024-04-26 | 北京理工大学 | 基于近端算子的多智能体系统非光滑优化方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113139662B (zh) | 联邦学习的全局及局部梯度处理方法、装置、设备和介质 | |
| CN111176929B (zh) | 一种面向边缘联邦学习的高能效计算通信联合优化方法 | |
| Nguyen et al. | Distributed deep deterministic policy gradient for power allocation control in D2D-based V2V communications | |
| CN116841732A (zh) | 一种基于单比特量化的联邦学习资源优化设计方法 | |
| Shi et al. | Machine learning for large-scale optimization in 6g wireless networks | |
| CN113222179B (zh) | 一种基于模型稀疏化与权重量化的联邦学习模型压缩方法 | |
| CN110968426B (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
| CN111628855B (zh) | 基于深度强化学习的工业5g动态多优先级多接入方法 | |
| CN112804695A (zh) | 可重构智能表面辅助的无线通信方法及装置 | |
| Elbir et al. | A hybrid architecture for federated and centralized learning | |
| CN110167176B (zh) | 一种基于分布式机器学习的无线网络资源分配方法 | |
| CN116017507B (zh) | 基于无线空中计算和二阶优化的去中心化联邦学习方法 | |
| CN114826832B (zh) | 信道估计方法、神经网络的训练方法及装置、设备 | |
| CN111132074A (zh) | 车联网环境下多接入边缘计算卸载和帧时隙资源分配方法 | |
| CN116155418B (zh) | 一种时间相关的稀疏信号恢复方法 | |
| CN115767562B (zh) | 基于强化学习联合协作多点传输的服务功能链部署方法 | |
| CN114219354A (zh) | 一种基于联邦学习资源分配优化方法及系统 | |
| Liao et al. | Deep learning channel estimation based on edge intelligence for NR-V2I | |
| CN113543271A (zh) | 一种面向有效容量的资源分配方法及系统 | |
| CN116032317B (zh) | 一种免授权的联合活跃用户与数据检测方法 | |
| CN116633462A (zh) | 一种基于统计信道状态信息的联邦学习资源优化设计方法 | |
| CN116128070B (zh) | 基于无线空中计算和多比特量化压缩感知的联邦学习方法 | |
| Li et al. | Federated edge learning via reconfigurable intelligent surface with one-bit quantization | |
| Zhu et al. | One-bit over-the-air aggregation for communication-efficient federated edge learning | |
| CN102457333B (zh) | 获取秩约束条件下优化变量的方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |