21、MIMO空中计算联邦学习中的波束成形设计

MIMO空中计算联邦学习中的波束成形设计

在多输入多输出（MIMO）空中计算联邦学习（AirComp FL）场景中，为了最小化误差，需要对波束成形矩阵进行优化设计。本文将详细介绍如何通过预测本地联邦学习（FL）模型更新和优化波束成形矩阵来实现这一目标。

1. 背景与问题提出

在MIMO AirComp FL中，为了最小化 $|\hat{e} t|$（公式5.50），参数服务器（PS）和边缘设备需要获取MIMO信道向量 $\mathbf{H}_k$ 以及训练后的梯度信息，从而调整发射和接收波束成形矩阵 $\mathbf{A}_t$ 和 $\mathbf{B}_t$。然而，在边缘设备发送FL模型参数之前，PS无法获取训练后的FL梯度 $\Delta\mathbf{w} {k,t}=\sum_{n\in\mathcal{N} {k,t}}\nabla f(\mathbf{g}_t,\mathbf{x} {n,k},\mathbf{y} {n,k})$。因此，PS必须预测 $\Delta\mathbf{w} {k,t}$，以优化 $\mathbf{A}_t$ 和 $\mathbf{B}_t$ 并最小化误差。

2. 本地FL模型的预测

为了预测所有设备的本地FL模型更新，我们使用神经网络中的全连接多层感知器（MLP）。这是因为寻找每个设备在不同迭代中的本地FL模型更新之间的关系是一个回归任务，而MLP在处理此类任务方面表现出色。

2.1 MLP预测算法的组件

MLP预测算法由以下三个组件组成：
- 输入 ：PS