[論文レビュー] STAR-RIS Enabled Heterogeneous Networks: Ubiquitous NOMA Communication and Pervasive Federated Learning.

Wanli Ni, Yuanwei Liu+3 more|arXiv (Cornell University)|Jun 16, 2021

Advanced Wireless Communication Technologies参考文献 48被引用数 15

ひとこと要約

本稿では、スペクトル効率と学習収束を向上させるために、同時送信・反射を活用するSTAR-RISを搭載した異種ネットワークを提案し、NOMAとオーバーザエアファederated learning（AirFL）を統合的にサポートする。閉形式の最適性ギャップを導出し、信頼領域に基づくアルゴリズムを採用することで、非理想なチャネルおよびQoS制約下でも、より高速な収束と向上した性能を達成する。

ABSTRACT

This paper integrates non-orthogonal multiple access (NOMA) and over-the-air federated learning (AirFL) into a unified framework using one simultaneous transmitting and reflecting reconfigurable intelligent surface (STAR-RIS). The STAR-RIS plays an important role in adjusting the decoding order of hybrid users for efficient interference mitigation and omni-directional coverage extension. To capture the impact of non-ideal wireless channels on AirFL, a closed-form expression for the optimality gap (a.k.a. convergence upper bound) between the actual loss and the optimal loss is derived. This analysis reveals that the learning performance is significantly affected by active and passive beamforming schemes as well as wireless noise. Furthermore, when the learning rate diminishes as the training proceeds, the optimality gap is explicitly characterized to converge with a linear rate. To accelerate convergence while satisfying QoS requirements, a mixed-integer non-linear programming (MINLP) problem is formulated by jointly designing the transmit power at users and the configuration mode of STAR-RIS. Next, a trust region-based successive convex approximation method and a penalty-based semidefinite relaxation approach are proposed to handle the decoupled non-convex subproblems iteratively. An alternating optimization algorithm is then developed to find a suboptimal solution for the original MINLP problem. Extensive simulation results show that i) the proposed framework can efficiently support NOMA and AirFL users via concurrent uplink communications, ii) our algorithms can achieve a faster convergence rate on IID and non-IID settings compared to existing baselines, and iii) both the spectrum efficiency and learning performance can be significantly improved with the aid of the well-tuned STAR-RIS.

研究の動機と目的

• 同時送信・反射が可能な再構成可能インテリジェント表面（STAR-RIS）を用いて、非直交多重アクセス（NOMA）とオーバーザエアファederated learning（AirFL）を統合的に統合するフレームワークの構築。
• 非理想な無線チャネルがAirFL性能に与える影響を、実際の損失と最適損失の間の最適性ギャップを通じて分析すること。
• 品質保証（QoS）要件を満たしながら、学習収束を加速させるために、ユーザーの送信電力とSTAR-RIS設定を共同最適化すること。
• NOMAとAirFLの共同最適化に起因する混合整数非線形プログラミング（MINLP）問題を解くための効率的アルゴリズムの開発。
• 独立同分布（IID）および非IIDデータ分布の両状況下でのスペクトル効率および学習収束の性能向上を評価すること。

提案手法

• AirFLにおける最適性ギャップの閉形式表現を導出し、アクティブビームフォーミング、パasiveビームフォーミング、および無線雑音が学習収束に与える影響を捉える。
• 送信電力とSTAR-RIS設定の共同最適化に起因する非凸部分問題を扱うために、信頼領域に基づく逐次凸近似法を提案する。
• 混合整数非線形プログラミング（MINLP）として定式化された最適化問題に対処するため、ペナルティに基づく半定値緩和法を採用する。
• 元のMINLP問題の部分問題を分離して反復的に解くための交互最適化アルゴリズムを開発し、部分最適解を求める。
• STAR-RISを活用して全方向カバレッジを実現し、ハイブリッドNOMAおよびAirFLユーザーの復調順序を動的に調整することで、干渉低減を実現する。
• 減少する学習率下での最適性ギャップの収束挙動をモデル化し、提案フレームワーク下で線形収束を示すことを示す。

実験結果

リサーチクエスチョン

• RQ1 STAR-RISを介したNOMAとAirFLの統合は、異種ネットワークにおけるシステムのスペクトル効率および学習収束にどのように影響を与えるか？
• RQ2 ノイズやビームフォーミング方式を含む非理想な無線チャネルが、AirFLにおける最適性ギャップに与える影響は何か？
• RQ3 学習率が減少するに従って最適性ギャップはどのように変化するか？また、線形収束率で特徴づけられるか？
• RQ4 QoS制約を満たしながら収束速度を最大化するための、ユーザー送信電力とSTAR-RIS設定の共同最適化戦略は何か？
• RQ5 提案されたアルゴリズムは、既存のベースラインと比較して、学習性能およびスペクトル効率をどの程度向上できるか？

主な発見

• 提案されたフレームワークは、1つのSTAR-RISを介してNOMAおよびAirFLユーザーの同時上行リンク通信を可能とし、効率的なスケジューリングと全方向カバレッジを実現する。
• 導出された最適性ギャップの式は、学習性能がアクティブおよびパasiveビームフォーミングおよび無線雑音に大きく依存することを示しており、減少する学習率下で線形収束を示す。
• 信頼領域に基づく逐次凸近似法およびペナルティに基づく半定値緩和法は、非凸MINLP問題を効果的に解き、部分最適ではあるが実用的な解を可能にする。
• シミュレーション結果は、既存のベースラインと比較して、IIDおよび非IIDデータ設定の両方で収束がより速いことを示しており、アルゴリズムの有効性を検証する。
• 特に干渉制限およびノイズ環境下では、最適なSTAR-RISチューニングによりスペクトル効率および学習性能が顕著に向上する。
• QoS制約下でもフレームワークは頑健な性能を維持しており、次世代無線ネットワークにおける実用的展開に有効であることが示された。