Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks

本研究探讨了在非独立同分布（non-IID）数据集下，将新型聚类联邦学习（CFL）方法与非正交多址（NOMA）相结合的好处，多个设备参与有时间限制和有限数量的子信道聚合。文章详细分析了衡量数据分布中非IID程度的泛化差距。随后，提出了应对非IID条件带来的挑战的解决方案，并分析了其特性。具体来说，用户数据分布被参数化为集中参数，并使用谱聚类进行分组，狄利克雷分布作为先验分布。通过对泛化差距和收敛速度的研究，设计了基于匹配算法的子信道分配，并通过Karush-Kuhn-Tucker（KKT）条件和推导出的闭式解决方案实现功率分配。广泛的仿真结果表明，所提出的基于聚类的FL框架在测试准确性和收敛速度方面均优于FL基线。此外，在NOMA增强网络中联合优化子信道和功率分配可以带来显著的改进。

本论文探讨在非独立同分布数据集下，将新型聚类联邦学习（CFL）方法与非正交多址（NOMA）相结合的优势，多个设备参与聚合，具有时间限制和有限数量的子信道。

论文提出了一种聚类FL框架，通过对用户数据分布进行参数化并使用谱聚类进行分组，通过匹配算法设计子信道分配，通过KKT条件进行功率分配，进而解决了非IID条件下的挑战。

论文通过理论分析非IID数据分布的泛化差距，提出了一种新颖的聚类FL框架，并在广泛的仿真实验中展示了它的优越性。

最近的相关研究包括《Federated Learning with Non-IID Data: A Semi-Supervised Perspective》、《Non-IID Federated Learning: Challenges and Future Directions》等。