[论文解读] Federated Machine Learning for Intelligent IoT via Reconfigurable Intelligent Surface

Kai Yang, Yuanming Shi+4 more|arXiv (Cornell University)|Apr 13, 2020

Advanced Wireless Communication Technologies参考文献 14被引用 14

一句话总结

该论文提出了一种可重构智能表面（RIS）辅助的空中计算（AirComp）框架，用于智能物联网网络中通信高效的联邦机器学习。通过利用RIS增强信号强度并减少模型聚合误差，与无RIS的传统AirComp相比，该系统实现了更低的训练损失和更高的预测准确率，其中DC算法实现了波束成形与相位偏移的联合有效优化。

ABSTRACT

Intelligent Internet-of-Things (IoT) will be transformative with the advancement of artificial intelligence and high-dimensional data analysis, shifting from "connected things" to "connected intelligence". This shall unleash the full potential of intelligent IoT in a plethora of exciting applications, such as self-driving cars, unmanned aerial vehicles, healthcare, robotics, and supply chain finance. These applications drive the need of developing revolutionary computation, communication and artificial intelligence technologies that can make low-latency decisions with massive real-time data. To this end, federated machine learning, as a disruptive technology, is emerged to distill intelligence from the data at network edge, while guaranteeing device privacy and data security. However, the limited communication bandwidth is a key bottleneck of model aggregation for federated machine learning over radio channels. In this article, we shall develop an over-the-air computation based communication-efficient federated machine learning framework for intelligent IoT networks via exploiting the waveform superposition property of a multi-access channel. Reconfigurable intelligent surface is further leveraged to reduce the model aggregation error via enhancing the signal strength by reconfiguring the wireless propagation environments.

研究动机与目标

• 解决因频谱受限和高延迟导致的无线信道中联邦机器学习的通信瓶颈问题。
• 通过利用多址信道的波形叠加特性，采用空中计算（AirComp）提升联邦学习中的模型聚合性能。
• 通过利用可重构智能表面（RIS）重新配置无线传播环境，降低AirComp中的模型聚合误差。
• 优化接收波束成形与RIS相位移矩阵的联合设计，以最小化模型聚合的均方误差（MSE）。
• 开发一种低复杂度、高效的优化框架，结合DC规划与低秩近似，以实现实际部署。

提出的方法

• 利用空中计算（AirComp）实现多个物联网设备的本地模型更新同时传输至中心边缘服务器，通过信号叠加直接计算加权平均，完成全局模型聚合。
• 采用具有无源反射单元的可重构智能表面（RIS）增强信号强度并缓解衰落，从而降低模型聚合误差。
• 将RIS赋能的AirComp系统建模为一个涉及接收波束成形器与RIS相位移矩阵设计的非凸双二次优化问题。
• 采用交替优化方法：通过带有低秩近似的DC（凸函数之差）算法，迭代更新接收波束成形器与RIS相位移，以降低计算复杂度。
• 在评估中引入半定规划松弛（SDR）方法作为性能对比的基准。
• 采用在20个物联网设备上基于CIFAR-10数据集训练的支持向量机（SVM）分类器，评估不同配置下的学习性能。

实验结果

研究问题

• RQ1 RIS能否在智能物联网的空中联邦学习中有效降低模型聚合误差？
• RQ2 接收波束成形与RIS相位移的联合优化如何影响联邦学习的收敛性与准确性？
• RQ3 与无RIS的传统AirComp相比，RIS赋能的AirComp在训练损失与预测准确率方面有何性能增益？
• RQ4 所提出的基于DC的优化算法与SDR相比，在性能与复杂度方面表现如何？
• RQ5 RIS赋能的信号增强在多大程度上可提升联邦学习的可扩展性，使每轮通信中能支持更多设备参与？

主要发现

• RIS赋能的AirComp相比无RIS的传统AirComp，实现了显著更低的训练损失，证明了其更优的收敛性与模型质量。
• SVM分类器在RIS赋能设置下的预测准确率显著提高，证实了模型泛化能力与鲁棒性的增强。
• 所提出的基于DC的优化方法能有效最小化模型聚合的均方误差（MSE），在准确率与收敛速度上均优于SDR基准。
• RIS的使用可降低模型聚合误差，从而在不降低性能的前提下允许每轮选择更多设备，提升系统可扩展性。
• 仿真结果表明，RIS赋能的AirComp性能已非常接近理想情况下的完美模型聚合，表明其具有高效率与低失真特性。
• 该框架通过避免数据卸载并利用物理层计算，实现了隐私保护、低延迟与通信高效的联邦学习。