本文提出了一种基于非正交多址接入的分层联邦学习系统,旨在降低时间和能源成本。通过模糊逻辑的客户端编排策略,考虑客户端的异质性,制定了边缘服务器调度和资源分配方案。研究表明,该方案在性能提升和成本降低方面优于现有基准。
该文综述可重构智能表面(RIS)与NOMA、RSMA等技术结合的多用户通信研究,通过联合用户配对、波束赋形与相位控制,并结合深度学习与优化算法,最大化总吞吐量与能量效率,降低发射功率,提升频谱效率和通信成功率。
本文综述低轨卫星联邦学习研究,提出分布式参数服务器、FedSN、FedLEO、LEOShot等框架,以解决异构计算、上行受限和模型陈旧等问题;结合高空平台通信、轨道预测与部分聚合,实现训练加速29倍、通信量减少8倍;并涵盖地面—卫星协同、半同步分层聚合、NOMA资源优化及FedSecure安全方案。
本文提出了一种利用非正交多址接入技术的分层联邦学习系统,旨在最小化时间和能源成本。通过模糊逻辑的客户端编排策略和联合边缘服务器调度和资源分配问题的解决,该方案在分层联邦学习性能提升和总成本降低方面优于基准。
本文提出了一种名为NOMA-PPO的新型深度强化学习调度算法,解决了物联网应用中的超可靠低延迟通信问题。该方法将NOMA-URLLC问题转化为POMDP,并引入代理状态,成功将其转化为MDP,并适应了组合动作空间。通过融合先前的知识和贝叶斯策略技术,该方法在3GPP场景中优于传统的多路访问协议和DRL基准,并在各种信道和流量配置下都能有效利用时间相关性,表现出鲁棒的性能。
完成下面两步后,将自动完成登录并继续当前操作。