مقاله یادگیری فدرال از طریق هوا با نویز فاز: تجزیه و تحلیل و اقدامات متقابل

چکیده

Wirelessly connected devices can collaborately train a machine learning model using federated learning, where the aggregation of model updates occurs using over-the-air computation. Carrier frequency offset caused by imprecise clocks in devices will cause the phase of the over-the-air channel to drift randomly, such that late symbols in a coherence block are transmitted with lower quality than early symbols. To mitigate the effect of degrading symbol quality, we propose a scheme where one of the permutations Roll, Flip and Sort are applied on gradients before transmission. Through simulations we show that the permutations can both improve and degrade learning performance. Furthermore, we derive the expectation and variance of the gradient estimate, which is shown to grow exponentially with the number of symbols in a coherence block.

چکیده به فارسی (ترجمه ماشینی)

دستگاه های متصل به بی سیم می توانند با استفاده از یادگیری فدرال ، یک مدل یادگیری ماشین را با هم همکاری کنند ، جایی که تجمع به روزرسانی های مدل با استفاده از محاسبات بیش از حد هوا اتفاق می افتد.جبران فرکانس حامل ناشی از ساعتهای نادرست در دستگاه ها باعث می شود مرحله کانال خارج از هوا به طور تصادفی حرکت کند ، به گونه ای که نمادهای دیررس در یک بلوک انسجام با کیفیت پایین تر از نمادهای اولیه منتقل می شوند.برای کاهش تأثیر کیفیت نماد تحقیرآمیز ، ما طرحی را پیشنهاد می کنیم که در آن یکی از جابجایی ها ، تلنگر و مرتب سازی بر روی شیب ها قبل از انتقال اعمال شود.از طریق شبیه سازی ها نشان می دهیم که مجوزها هم می توانند عملکرد یادگیری را بهبود بخشند و تخریب کنند.علاوه بر این ، ما انتظار و واریانس تخمین شیب را استخراج می کنیم ، که نشان داده می شود با تعداد نمادها در یک بلوک انسجام به صورت نمایی رشد می کند.