[論文レビュー] Federated Learning in Multi-RIS Aided Systems

Wanli Ni, Yuanwei Liu+3 more|arXiv (Cornell University)|Oct 26, 2020

Advanced Wireless Communication Technologies参考文献 39被引用数 17

ひとこと要約

本稿では、複数の再構成可能知能表面（RIS）を用いた空中連合学習（AirFL）において、集約誤差を最小化し収束を加速するための交互最適化アルゴリズムを提案する。送信電力、受信スカラー、位相シフト、デバイス選択を統合最適化することで、RISを用いたチャネル再構成により信号歪みを低減し、ベースラインと比較して収束が速く、モデル精度が向上する。

ABSTRACT

This paper investigates the problem of model aggregation in federated learning systems aided by multiple reconfigurable intelligent surfaces (RISs). The effective integration of computation and communication is achieved by over-the-air computation (AirComp). Since all local parameters are transmitted over shared wireless channels, the undesirable propagation error inevitably deteriorates the performance of global aggregation. The objective of this work is to 1) reduce the signal distortion of AirComp; 2) enhance the convergence rate of federated learning. Thus, the mean-square-error and the device set are optimized by designing the transmit power, controlling the receive scalar, tuning the phase shifts, and selecting participants in the model uploading process. The formulated mixed-integer non-linear problem (P0) is decomposed into a non-convex problem (P1) with continuous variables and a combinatorial problem (P2) with integer variables. To solve subproblem (P1), the closed-form expressions for transceivers are first derived, then the multi-antenna cases are addressed by the semidefinite relaxation. Next, the problem of phase shifts design is tackled by invoking the penalty-based successive convex approximation method. In terms of subproblem (P2), the difference-of-convex programming is adopted to optimize the device set for convergence acceleration, while satisfying the aggregation error demand. After that, an alternating optimization algorithm is proposed to find a suboptimal solution for problem (P0). Finally, simulation results demonstrate that i) the designed algorithm can converge faster and aggregate model more accurately compared to baselines; ii) the training loss and prediction accuracy of federated learning can be improved significantly with the aid of multiple RISs.

研究の動機と目的

• 無線チャネルを介した空中連合学習（AirFL）における信号歪みと集約誤差を軽減すること。
• 複数RISを支援するシステムにおけるAirFLの収束速度とモデル精度を向上させること。
• システム性能を向上させるために、送信電力、受信スカラー、RIS位相シフト、デバイス選択を統合最適化すること。
• 非直交多重アクセス（NOMA）およびRISチャネル再構成下でのモデル集約における平均二乗誤差（MSE）を最小化すること。
• 学習性能とネットワークのエネルギー効率、デバイス選択のバランスをとること。

提案手法

• 問題は、非凸連続最適化問題（P1）と組み合わせ的整数問題（P2）に分解され、位相シフトとデバイス集合選択が対象となる。
• MSEを最小化するための受信機・送信機の閉形式表現を導出。多アンテナ環境では半定値緩和（SDR）を適用。
• RIS位相シフトの最適化にペナルティに基づく逐次凸近似（SCA）法を用いる。
• 収束を速くし、集約誤差制約を満たすために、差の凸（DC）プログラミングを用いてデバイス集合を最適化。
• P1とP2を繰り返し解くための交互最適化アルゴリズムを提案。収束性と計算複雑度を解析。
• 集約誤差を最小化するために、送信電力、受信スカラー、位相シフト、デバイス選択を統合最適化する。

実験結果

リサーチクエスチョン

• RQ1 複数のRISを用いて、空中連合学習における信号歪みをどのように低減できるか？
• RQ2 送信電力、受信スカラー、RIS位相シフト、デバイス選択を最適に統合設計することで、AirFLの収束をどのように加速できるか？
• RQ3 RIS支援チャネル再構成は、AirFLシステムにおけるモデル集約精度をどのように向上させるか？
• RQ4 複数RISを用いたAirFLシステムにおいて、学習性能、エネルギー効率、ネットワークライフタイムの間にはどのようなトレードオフがあるか？
• RQ5 提案されたアルゴリズムは、ベースライン手法と比較して、より速い収束と低い集約誤差を達成できるか？

主な発見

• 提案アルゴリズムは、複数RISを活用して無線チャネルを再構成することで、集約誤差を顕著に低減する。
• 従来手法およびベースラインAirFL方式と比較して、モデルの収束が加速され、学習損失が低減される。
• 最適化されたリソース割り当てとデバイス選択により、連合学習における予測精度が向上する。
• 電力、位相シフト、デバイス参加を統合最適化することで、モデル集約における平均二乗誤差（MSE）が低減される。
• より少ないデバイスの選択とエネルギー消費の低減により、ネットワークライフタイムが延長され、デバイス数が増えるほど性能が向上する。
• 交互最適化アルゴリズムは収束性と低複雑度を示し、RIS支援AirFLシステムにおける実用的導入に適している。