[论文解读] Reconfigurable Intelligent Surface Enabled Federated Learning: A Unified Communication-Learning Design Approach

Hang Liu, Xiaojun Yuan+1 more|arXiv (Cornell University)|Nov 20, 2020

Advanced Wireless Communication Technologies参考文献 43被引用 7

一句话总结

本文提出了一种用于可重构智能表面（RIS）辅助的空中联邦学习的统一通信-学习优化框架，以缓解延迟者问题。通过联合优化设备选择、RIS相位偏移和收发器设计，该方法显著提升了学习准确率，尤其在高信道变化条件下表现优异，通过严格的收敛性分析和基于连续凸逼近（SCA）的优化方法，优于现有最先进方法。

ABSTRACT

To exploit massive amounts of data generated at mobile edge networks, federated learning (FL) has been proposed as an attractive substitute for centralized machine learning (ML). By collaboratively training a shared learning model at edge devices, FL avoids direct data transmission and thus overcomes high communication latency and privacy issues as compared to centralized ML. To improve the communication efficiency in FL model aggregation, over-the-air computation has been introduced to support a large number of simultaneous local model uploading by exploiting the inherent superposition property of wireless channels. However, due to the heterogeneity of communication capacities among edge devices, over-the-air FL suffers from the straggler issue in which the device with the weakest channel acts as a bottleneck of the model aggregation performance. This issue can be alleviated by device selection to some extent, but the latter still suffers from a tradeoff between data exploitation and model communication. In this paper, we leverage the reconfigurable intelligent surface (RIS) technology to relieve the straggler issue in over-the-air FL. Specifically, we develop a learning analysis framework to quantitatively characterize the impact of device selection and model aggregation error on the convergence of over-the-air FL. Then, we formulate a unified communication-learning optimization problem to jointly optimize device selection, over-the-air transceiver design, and RIS configuration. Numerical experiments show that the proposed design achieves substantial learning accuracy improvement compared with the state-of-the-art approaches, especially when channel conditions vary dramatically across edge devices.

研究动机与目标

• 为解决边缘设备弱信道条件导致的空中联邦学习中的延迟者问题。
• 开发一种统一的优化框架，联合设计设备选择、RIS配置和空中收发器参数。
• 利用学习分析框架量化联邦学习收敛过程中数据利用与通信误差之间的权衡。
• 在具有异质信道质量的大规模边缘设备联邦学习场景中，提升通信效率和模型准确率。

提出的方法

• 提出一种学习分析框架，用于建模设备选择和模型聚合误差对联邦学习收敛的影响。
• 构建一个统一的优化问题，结合设备选择、RIS相位偏移和发射功率控制，以最小化模型聚合误差。
• 采用连续凸逼近（SCA）方法，迭代求解非凸优化问题，并保证收敛性。
• 采用Gibbs采样方法，处理优化框架中设备选择的组合性质。
• 在利普希茨连续性和有界梯度的假设下，推导出期望损失差的可处理上界。
• 将空中计算与RIS结合，以增强信号叠加效果并减少模型聚合中的误差。

实验结果

研究问题

• RQ1 在不同信道条件下，设备选择如何影响空中联邦学习的收敛性？
• RQ2 通信误差与数据利用的联合影响对联邦学习性能有何影响，能否实现定量建模？
• RQ3 如何优化RIS配置以最小化空中联邦学习中的模型聚合误差？
• RQ4 在RIS辅助的联邦学习中，数据多样性与通信可靠性之间的最优权衡是什么？
• RQ5 统一的通信-学习设计能否优于启发式或解耦优化方法？

主要发现

• 所提出的RIS辅助空中联邦学习框架在高信道变化条件下实现了显著的学习准确率提升，优于现有最先进方法。
• 统一优化方法通过联合优化设备选择、RIS相位偏移和发射功率，有效降低了模型聚合误差。
• 数值结果证实，基于SCA的算法收敛高效，并在实际场景中实现近似最优性能。
• 学习分析框架成功量化了数据利用与通信误差之间的权衡，为系统设计提供了支持。
• RIS配置通过增强低信噪比设备的有效信道增益，显著缓解了延迟者效应。
• 由于RIS实现了智能波束成形，该方法即使在部分设备信道条件较差时，仍能保持高模型收敛性。