論文の概要: Learned Digital Codes for Over-the-Air Computation in Federated Edge Learning

• arxiv url: http://arxiv.org/abs/2512.19777v1
• Date: Mon, 22 Dec 2025 15:01:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.632314
• Title: Learned Digital Codes for Over-the-Air Computation in Federated Edge Learning
• Title（参考訳）: フェデレーションエッジ学習におけるオーバー・ザ・エア計算のための学習デジタルコード
• Authors: Antonio Tarizzo, Mohammad Kazemi, Deniz Gündüz,
• Abstract要約: フェデレーションエッジ学習(FEEL)は、無線デバイスが生データを共有せずに、協調的に集中モデルのトレーニングを行うことを可能にする。 OTAアグリゲーションは、無線チャネルの重畳特性を利用してこれを緩和し、同時送信と計算とのマージ通信を可能にする。 本研究は,SNR条件に対する回復精度,収束挙動,堅牢性を改善するための学習デジタルOTAフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 42.73991180442414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated edge learning (FEEL) enables wireless devices to collaboratively train a centralised model without sharing raw data, but repeated uplink transmission of model updates makes communication the dominant bottleneck. Over-the-air (OTA) aggregation alleviates this by exploiting the superposition property of the wireless channel, enabling simultaneous transmission and merging communication with computation. Digital OTA schemes extend this principle by incorporating the robustness of conventional digital communication, but current designs remain limited in low signal-to-noise ratio (SNR) regimes. This work proposes a learned digital OTA framework that improves recovery accuracy, convergence behaviour, and robustness to challenging SNR conditions while maintaining the same uplink overhead as state-of-the-art methods. The design integrates an unsourced random access (URA) codebook with vector quantisation and AMP-DA-Net, an unrolled approximate message passing (AMP)-style decoder trained end-to-end with the digital codebook and parameter server local training statistics. The proposed design extends OTA aggregation beyond averaging to a broad class of symmetric functions, including trimmed means and majority-based rules. Experiments on highly heterogeneous device datasets and varying numbers of active devices show that the proposed design extends reliable digital OTA operation by more than 10 dB into low SNR regimes while matching or improving performance across the full SNR range. The learned decoder remains effective under message corruption and nonlinear aggregation, highlighting the broader potential of end-to-end learned design for digital OTA communication in FEEL.
• Abstract（参考訳）: フェデレートエッジラーニング(FEEL)は、無線デバイスが生データを共有せずに集中型モデルを協調的に訓練することを可能にするが、モデル更新の繰り返しアップリンク送信は、通信を主要なボトルネックにする。 オーバー・ザ・エア(OTA)アグリゲーション(OTA)は、無線チャネルの重ね合わせ特性を利用して、同時送信と計算とのマージ通信を可能にすることでこれを緩和する。 デジタルOTA方式は、従来のデジタル通信の堅牢性を取り入れて、この原則を拡張しているが、現在の設計は低信号対雑音比(SNR)方式に限られている。 本研究は, 最先端手法と同じアップリンクオーバーヘッドを維持しつつ, SNR条件に対する回復精度, 収束挙動, 堅牢性を向上する学習デジタルOTAフレームワークを提案する。 この設計は、未ソースのランダムアクセス(URA)コードブックとベクトル量子化とAMP-DA-Netを統合し、アンロールされた近似メッセージパッシング(AMP)スタイルのデコーダをデジタルコードブックとパラメータサーバのローカルトレーニング統計とエンドツーエンドに訓練する。 提案した設計は、OTAアグリゲーションを平均化を超えて、トリミング手段や多数決ルールを含む幅広い対称関数に拡張する。 高ヘテロジニアスなデバイスデータセットと各種アクティブデバイスに関する実験により、提案設計により、信頼性の高いデジタルOTA操作を10dB以上の低SNRレギュレータに拡張し、フルSNR範囲における性能の整合や改善を実現した。 学習されたデコーダはメッセージの破損や非線形集約の下でも有効であり、FEELにおけるデジタルOTA通信のためのエンド・ツー・エンドの学習設計の可能性を強調している。

関連論文リスト

• Learned Digital Codes for Over-the-Air Federated Learning [42.73991180442414]
  フェデレートエッジラーニング(FEEL)は、生データを集中することなく、無線デバイス間での分散モデルトレーニングを可能にする。 本研究では,低SNR条件下での信頼性操作を学習可能なデジタルOTAフレームワークを提案する。 その結果、7dB以上の信頼性演算が拡張され、全SNRレベルにわたるグローバルモデル収束が改善された。
  論文  参考訳（メタデータ） (2025-09-20T08:43:42Z)
• Analog-digital Scheduling for Federated Learning: A Communication-Efficient Approach [0.0]
  オーバー・ザ・エア(OTA)計算は、無線ネットワーク上で機械学習モデルをトレーニングするための通信効率のよいフェデレートラーニング(FL)パラダイムとして最近登場した。 しかし、その性能は、最悪のSNRを持つデバイスによって制限され、高速でノイズの多い更新をもたらす。 本稿では,ノイズ問題を緩和する新しいアナログデジタルADFL方式を提案する。 シミュレーションの結果、ADFLは、OTA方式のほとんどのデバイスをスケジューリングすると同時に、いくつかのデバイスでデジタルスキームを採用することで、一貫してOTA方式とデジタル専用スキームを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-02-01T04:05:24Z)
• Causal Semantic Communication for Digital Twins: A Generalizable Imitation Learning Approach [74.25870052841226]
  デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。 無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。 DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-04-25T00:15:00Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• End-to-End Learning for Uplink MU-SIMO Joint Transmitter and Non-Coherent Receiver Design in Fading Channels [11.182920270301304]
  JTRD-Netと呼ばれる新しいエンドツーエンド学習手法が提案され、マルチユーザシングルインプットマルチ出力(MU-SIMO)ジョイントトランスミッタとフェーディングチャネルにおける非コヒーレントレシーバー設計(JTRD)をアップリンクする。 送信側は、マルチユーザー波形設計を担当する並列線形層のグループとしてモデル化されています。 非コヒーレント受信機は、マルチユーザ検出(MUD)機能を提供するために、ディープフィードフォワードニューラルネットワーク(DFNN)によって形成される。
  論文  参考訳（メタデータ） (2021-05-04T02:47:59Z)
• Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
  フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。 我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。 我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
  論文  参考訳（メタデータ） (2020-09-27T08:28:25Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。