20、MIMO空中计算联邦学习的波束成形设计

MIMO空中计算联邦学习的波束成形设计

在无线通信与机器学习融合的领域中，MIMO空中计算联邦学习（MIMO AirComp FL）的波束成形设计至关重要。它能优化系统性能，降低训练损失，提高学习效率。本文将深入探讨其模型、问题以及优化方法。

1. 数字空中计算联邦学习模型

考虑一个在蜂窝网络中实现的联邦学习（FL）系统。其中，有 $K$ 个无线边缘设备，它们各自训练机器学习模型，并通过有噪声的无线媒体接入控制（MAC）将模型参数发送到中央参数服务器（PS）。具体参数设定如下：
- 天线配置 ：PS 配备 $N_r$ 根天线，每个设备 $k$ 配备 $N_t$ 根天线。
- 训练数据 ：每个设备 $k$ 有 $N_k$ 个训练数据样本。每个样本 $n$ 包含输入特征向量 $\mathbf{x} {k,n} \in \mathbb{R}^{N_I \times 1}$ 和对应的标签向量 $\mathbf{y} {k,n} \in \mathbb{R}^{N_O \times 1}$，其中 $N_I$ 和 $N_O$ 分别是输入和输出向量的维度。
- 全局模型 ：用向量 $\mathbf{g} \in \mathbb{R}^{V \times 1}$ 表示全局 FL 模型，其维度为 $V$。所有设备的总训练数据样本数为 $N = \sum_{k=1}^{K} N_k$。
- 局部损失函数 ：每个设备 $k$ 的局部损失函数为 $f(\mathbf{g}, \mathbf{x} {k,