个性化面向个性化重构智能表面的无线联邦学习
内容提要
该文综述空中计算联邦学习（OTA-FL）技术，从系统设置、安全与隐私等方面进行分类分析，并指出未来在性能、可靠性和可信度方面的挑战与方向。相关研究涵盖可重构智能表面优化、预编码缓解信道噪声、MIMO集成、概率设备调度、免解码信道估计及自适应本地更新与压缩等，以提升学习效率与精度。
延伸解读
OTA-FL 的核心瓶颈与 RIS 的引入
文章指出，基于空中计算的联邦学习（OTA-FL）面临信道噪声影响优化过程、本地模型可靠性保持与全局精度之间的权衡等瓶颈。为此，有研究融合可重构智能表面（RIS），通过联合优化设备选择、空中计算设计和表面配置来提升学习准确度；另一项工作则利用波束成形器和 CSI 信息进行联合优化，在保持本地模型可靠性的同时达到与理想 FL 相当的准确性。这些方案表明 RIS 是缓解 OTA-FL 无线信道损伤的重要技术路径。
设备调度与预编码：从概率优化到噪声缓解
针对信道噪声的负面影响，文章介绍了 PO-FL 概率设备调度框架，在模型聚合过程中使用概率权重重新加权，并通过收敛性分析开发了基于信道和梯度重要性感知的算法来优化调度概率，仿真显示其收敛更快且模型优于基准。此外，Convergent OTA FL 算法通过引入预编码和缩放逐步缓解通道噪声对优化过程的影响，并分析了收敛率及在统计异构设置下的效果。这两类方法分别从调度策略和信号处理层面提升 OTA-FL 的鲁棒性。
效率与隐私的协同设计
文章还涵盖多项提升效率与隐私保护的研究：一种无需复杂编码-解码方案来重建信道系数的方法，提高了多智能体系统中联邦学习的效率和隐私保护；EAFO 算法联合考虑本地更新和参数压缩两个变量，使 FL 能自适应调整以最小化学习误差，实现计算、通信和精度之间的权衡，实验证明其能更快达到更高准确性。这些工作表明，OTA-FL 的实用化需要同时优化通信开销、计算效率和隐私保障。
Q&A
OTA-FL 是什么？它主要解决什么问题？
OTA-FL 是空中计算联邦学习（Over-the-Air Federated Learning）的缩写，它利用无线多接入信道的叠加特性实现快速的全局模型聚合，旨在减少模型聚合过程中的通信瓶颈和误差。
可重构智能表面（RIS）在无线联邦学习中有什么作用？
RIS 可用于联合优化设备选择、空中计算设计和表面配置，解决基于空中计算的联邦学习瓶颈；还能通过波束成形器和 CSI 信息联合优化，在保持本地模型可靠性的同时实现与理想 FL 相当的准确性。
OTA-FL 中通道噪声的影响如何缓解？
可以通过引入预编码和缩放（如 Convergent OTA FL 算法）逐步缓解通道噪声对优化过程的影响；也可采用概率设备调度框架（PO-FL），在模型聚合过程中使用概率重量重新加权，并通过基于渠道和梯度重要性感知的算法优化调度概率，从而加快收敛并提升模型性能。
联邦学习如何与 MIMO 系统结合？
有研究提出将联邦学习与 MIMO 系统的内部工作无缝集成，实现隐私保护的分布式机器学习。
EAFO 算法如何提升联邦学习效率？
EAFO 算法通过联合考虑本地更新和参数压缩两个变量，使联邦学习能够自适应调整这两个变量，以最小化学习误差，实现计算、通信和精度之间的权衡；实验证明其能更快达到更高准确性。
无线联邦学习中如何在不进行复杂解码的情况下估计信道？
有方法提出不需要复杂的编码-解码方案来重建信道系数，从而提高多智能体系统中联合学习的效率和隐私保护。
