Joint Energy and Latency Optimization in Federated Learning over Cell-Free Massive MIMO Networks

Federated Learning（FL）是一种分布式学习范例，用户通过与服务器交换FL模型而不是原始数据集来保护数据隐私并减少通信开销。然而，由于用户数量增加，FL在无线网络上的大规模完成可能会受到高延迟的影响。基于无小区的大规模多输入多输出（CFmMIMO）是实现FL的一种有前途的架构，因为它可以在相同的时频资源上为许多用户提供服务。虽然CFmMIMO通过空间复用和协作波束成形提高了能源效率，但仍然需要精心分配每个用户的上行传输功率。本文提出了一种在CFmMIMO上的FL上行功率分配方案，考虑到每个用户的功率对其他用户的能量和延迟的影响，共同最小化用户的上行能量和FL训练的延迟。所提出的解决方案算法基于坐标梯度下降法。数值结果表明，我们提出的方法在FL在CFmMIMO上有限的上行能量和延迟预算下，以测试准确性为指标，比著名的最大和速率方法提高了高达27％，比Dinkelbach方法的最大最小能量效率提高了高达21％。

本论文旨在解决使用联邦学习在无线网络中进行大规模机器学习时，由于用户数量增加而导致的高延迟问题。论文提出了一种基于CFmMIMO的上行功率分配方案，旨在共同最小化用户的上行能量和FL训练的延迟。

本论文的关键思路是使用CFmMIMO架构实现FL，并考虑每个用户功率对其他用户的能量和延迟的影响，通过协调梯度下降法来分配上行传输功率。

本论文的亮点在于提出了基于CFmMIMO的上行功率分配方案，以最小化用户的上行能量和FL训练的延迟。同时，论文还展示了该方法在测试准确性方面的表现比已知的max-sum rate和Dinkelbach方法的max-min能效提高了27%和21%。论文的实验基于开源数据集，并提供了代码。

近年来，关于联邦学习在无线网络中的研究逐渐增多。相关的研究包括：《Federated Learning over Wireless Networks: Optimization Model Design and Analysis》、《Wireless Federated Learning with Edge Computing: A Review》等。