[논문 리뷰] Federated Learning in Multi-RIS Aided Systems

Wanli Ni, Yuanwei Liu외 3명|arXiv (Cornell University)|2020. 10. 26.

Advanced Wireless Communication Technologies참고 문헌 39인용 수 17

한 줄 요약

이 논문은 다중 재구성 가능 지능형 표 superfКурс(RIS)를 사용하여 공중에서의 연합 학습(AirFL)에서 집합 오차를 최소화하고 수렴 속도를 가속화하기 위해 교대 최적화 알고리즘을 제안한다. 전송 전력, 수신 스칼라, 위상 이동 및 장치 선택을 공동으로 최적화함으로써 RIS를 활용한 채널 재구성으로 신호 왜곡을 감소시켜 기존 기준 대비 더 빠른 수렴과 향상된 모델 정확도를 달성한다.

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.

연구 동기 및 목표

• 무선 채널을 통해 공중에서의 연합 학습(AirFL)에서 신호 왜곡과 집합 오차를 해결하기 위해.
• 다중 RIS를 활용한 시스템에서 AirFL의 수렴 속도와 모델 정확도를 향상시키기 위해.
• 더 나은 시스템 성능을 위해 전송 전력, 수신 스칼라, RIS 위상 이동 및 장치 선택을 공동으로 최적화하기 위해.
• 비정규 다중접근(NOMA) 및 RIS 채널 재구성 하에서 모델 집합의 평균 제곱 오차(MSE)를 최소화하기 위해.
• 학습 성능와 네트워크 에너지 효율성 및 장치 선택 간의 균형을 맞추기 위해.

제안 방법

• 문제는 위상 이동 및 장치 집합 선택을 위한 비볼록 연속 최적화(P1)와 조합 최적화 문제(P2)로 분해된다.
• MSE를 최소화하기 위해 수신기 및 송신기의 폐쇄형 표현식을 유도하였으며, 다중 안테나 환경에서는 정규화된 준선형 프로그래밍(SDR)을 적용하였다.
• RIS 위상 이동을 최적화하기 위해 페널티 기반의 순차적 볼록 근사(Scalable Convex Approximation, SCA) 방법을 사용하였다.
• 수렴 속도를 높이면서도 집합 오차 제약 조건을 만족시키기 위해 차등-볼록(DC) 프로그래밍을 적용하여 장치 집합을 최적화하였다.
• P1과 P2를 번갈아가며 반복적으로 해결하기 위해 교대 최적화 알고리즘을 제안하였으며, 수렴성과 복잡도를 분석하였다.
• 집합 오차를 최소화하기 위해 전송 전력, 수신 스칼라, 위상 이동 및 장치 선택을 공동으로 최적화하는 알고리즘을 제안하였다.

실험 결과

연구 질문

• RQ1 다중 RIS를 활용하여 공중에서의 연합 학습에서 신호 왜곡을 어떻게 최소화할 수 있는가?
• RQ2 전송 전력, 수신 스칼라, RIS 위상 이동 및 장치 선택을 공동으로 최적화하면 AirFL 수렴 속도를 어떻게 가속화할 수 있는가?
• RQ3 RIS를 활용한 채널 재구성은 AirFL 시스템에서 모델 집합 정확도를 어떻게 향상시키는가?
• RQ4 다중 RIS를 활용한 AirFL 시스템에서 학습 성능, 에너지 효율성 및 네트워크 수명 주기 간의 상충 관계는 무엇인가?
• RQ5 제안된 알고리즘이 기존 기준 대비 더 빠른 수렴과 낮은 집합 오차를 달성할 수 있는가?

주요 결과

• 제안된 알고리즘은 다중 RIS를 활용해 무선 채널을 재구성함으로써 집합 오차를 크게 감소시킨다.
• 기존 및 기준 AirFL 기법 대비 수렴 속도가 빨라지고 학습 손실이 감소한다.
• 최적화된 자원 할당 및 장치 선택을 통해 연합 학습의 예측 정확도가 향상된다.
• 전력, 위상 이동 및 장치 참여를 공동으로 최적화함으로써 모델 집합의 평균 제곱 오차(MSE)가 낮아진다.
• 더 적은 장치를 선택하고 에너지 소비를 줄임으로써 네트워크 수명 주기가 연장되며, 장치 수가 많을수록 선택된 참가자가 적을수록 성능이 향상된다.
• 교대 최적화 알고리즘은 수렴성과 낮은 복잡도를 보이며, RIS를 활용한 AirFL 시스템의 실용적 구현에 적합하다.