論文の概要: AirPASS: Over-the-Air Federated Learning via Pinching Antenna Systems
- arxiv url: http://arxiv.org/abs/2607.06768v1
- Date: Tue, 07 Jul 2026 19:55:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.206246
- Title: AirPASS: Over-the-Air Federated Learning via Pinching Antenna Systems
- Title（参考訳）: AirPASS:ピンチアンテナシステムによるオーバー・ザ・エア・フェデレーション学習
- Abstract要約: 本稿では,マルチガイドピンチアンテナシステム(PASS)を接続した無線システムにおけるオーバー・ザ・エア・ラーニング(AirFL)について検討する。
- 参考スコア（独自算出の注目度）: 22.37739860501229
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper investigates over-the-air federated learning (AirFL) in wireless systems where the access point is equipped with a multi-waveguide pinching antenna system (PASS). We adopt the widely studied learning-oriented AirFL formulation, which seeks to maximize the number of selected devices while keeping the aggregation distortion below a prescribed threshold. The resulting joint optimization of device selection, receive beamforming, and pinching-antenna placement is highly nonconvex due to the intricate coupling among these system variables. To address this challenge, we develop AirPASS, an alternating optimization framework with two main components: a homotopy-Riemannian margin-consolidation method for device selection and receive beamforming under fixed PASS configuration, and a homotopy-assisted geometry optimization method for updating the pinching-antenna positions under fixed selected devices and beamformer. Experiments show that AirPASS consistently outperforms conventional co-located MIMO baselines, remains close to ideal FedAvg, and achieves an attractive performance-complexity tradeoff relative to SDR-DC and matching-pursuit scheduling alternatives.
- Abstract（参考訳）: 本稿では,マルチ導波路ピンチアンテナシステム(PASS)によってアクセスポイントが確保されている無線システムにおいて,超空連合学習(AirFL)について検討する。
我々は,所定の閾値以下に凝集歪みを保ちつつ,選択したデバイス数を最大化することを目的とした,広く研究されている学習指向のAirFL定式化を採用する。
デバイス選択、受信ビームフォーミング、ピンチアンテナ配置の合同最適化は、これらのシステム変数間の複雑な結合のため、非常に非凸である。
この課題に対処するため,我々は,固定PASS構成下でのビームフォーミングを受信するホモトピー・リーマンマージン統合法と,固定されたデバイスとビームフォーマタのピンチアンテナ位置を更新するホモトピー支援最適化法という,2つの主要コンポーネントの交互最適化フレームワークであるAirPASSを開発した。
実験の結果、AirPASSは従来のMIMOベースラインを一貫して上回り、理想的なFedAvgに近づき、SDR-DCやマッチング・ショップ・スケジューリングの代替品と比較して、魅力的なパフォーマンス・複雑さのトレードオフを達成している。
関連論文リスト
- Low-Altitude Fluid Antenna Network with Multi-Agent Reinforcement Learning [49.09908852315575]
マルチエージェント強化学習(MARL)を用いた低高度FAネットワークの高速かつ高性能な再構成について検討する。
今回のケーススタディでは、固定位置ベースラインと比較して、関節FA位置とビームフォーミング最適化がシステム総和率を118.5%向上できることを示した。
論文 参考訳（メタデータ） (2026-08-28T04:27:44Z) - Adaptive End-to-End Transceiver Design for NextG Pilot-Free and CP-Free Wireless Systems [18.330923801141886]
パイロットフリーでCPフリーな無線システムに適した適応型エンドツーエンド(E2E)トランシーバアーキテクチャを提案する。
このアーキテクチャは、AI駆動の星座形成と、ジョイントトレーニングによるニューラルレシーバーを組み合わせる。
提案するフレームワークは,様々なチャネルシナリオに対して,より優れたビットエラー率(BER),スループット,レジリエンスを提供する。
論文 参考訳（メタデータ） (2025-10-29T11:34:09Z) - PASS-Enhanced MEC: Joint Optimization of Task Offloading and Uplink PASS Beamforming [67.78883135636657]
ピンチアンテナシステム (PASS) によるモバイルエッジコンピューティング (MEC) アーキテクチャについて検討した。
PASSは、重要な経路損失と潜在的な信号遮断を効果的に軽減しつつ、短距離ライン・オブ・ライト(LoS)リンクを確立する。
ネットワーク遅延最小化問題を定式化し、アップリンクPASSビームフォーミングとタスクオフロードを共同で最適化する。
論文 参考訳（メタデータ） (2025-10-27T03:04:46Z) - Fluid Antenna System-assisted Physical Layer Secret Key Generation [64.92952968689636]
本稿では,流体アンテナシステム(FAS)を動的無線環境に適用することにより,多元系基地局システムにおける物理層生成(PLKG)について検討する。
本研究では,送信ビームフォーミングとポート選択を統合したPLKGモデルを提案する。
本論文で導入したスライディングウィンドウベースポート選択法は,動的ポート選択により,より少ないチェーンで高いKGRを実現する。
論文 参考訳（メタデータ） (2025-09-19T03:01:29Z) - Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。
提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
論文 参考訳（メタデータ） (2025-09-16T08:48:44Z) - Two-Timescale Joint Transmit and Pinching Beamforming for Pinching-Antenna Systems [58.27781210487552]
ピンチングアンテナシステム (PASS) は、多数の低Kuピンチングアンテナを介して、アクティベーション位置を調節可能なライン・オブ・ライト・リンクを容易にする革命的フレキシブルアンテナとして提案されている。
2時間スケール問題を2つのサブプロブレムに分離するために, 一次二重分解法を開発した。
論文 参考訳（メタデータ） (2025-04-13T16:58:35Z) - Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
MISO (Multiple-input Single-output) フレームワークを提案する。
それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。
PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
論文 参考訳（メタデータ） (2025-02-12T18:54:10Z) - Antenna Array Calibration Via Gaussian Process Models [0.0]
アンテナアレイキャリブレーションは、広範囲の先進アンテナシステムにおけるビームパターンの忠実度を維持するために必要である。
アンテナキャリブレーションを,関数近似のタスクとして定式化し,ベイズ機械学習を用いて処理する。
まず、各放射素子、位置オフセット、およびアンテナ素子間の相互結合効果に対応するハードウェア障害を捕捉するパラメータ空間を定義する。
一度展開すると、学習された非パラメトリックモデルは、システムのビームフォーミング重みを継続的に変換し、修正されたビームパターンをもたらす。
論文 参考訳（メタデータ） (2023-01-16T19:40:50Z) - Parametric Generative Schemes with Geometric Constraints for Encoding
and Synthesizing Airfoils [25.546237636065182]
特定の制約を満たしつつ,設計空間の複雑さを捉えるために,ディープラーニングに基づく2つの生成スキームを提案する。
ソフト制約スキームは、予想される幾何学的制約からわずかにずれた翼を生成するが、それでも基準翼に収束する。
制約の厳しいスキームは、幾何学的制約に厳密に固執しつつ、より広い範囲の幾何学的多様性を持つ翼を生産する。
論文 参考訳（メタデータ） (2022-05-05T05:58:08Z) - Learning OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
達成可能な情報レートを最大化しつつ,選択した制約を満たすOFDMベースの波形を設計するための学習ベース手法を提案する。
エンドツーエンドシステムは,PAPRとACLRの制約を満たすことができ,スループットを著しく向上させることができることを示す。
論文 参考訳（メタデータ） (2021-10-21T08:58:59Z)
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。