.png){kind=icon}
返回
Multiple RIS-assisted federated learning system based on channel quality device selection algorithm
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-02087-1.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习已被引入以协助人类处理跨领域的复杂计算。然而，关于用户隐私不足的担忧阻碍了其在通信系统中的广泛应用。为提高通信效率并减少与机器学习相关的开销，可重构智能表面（RIS）和空中计算（AirComp）已被用作支持性技术。同时，联邦学习（FL）作为一种替代方案出现，通过仅需交换梯度信息来保护用户隐私并缓解通信延迟问题。研究表明，将FL与RIS集成可提升系统模型的性能。在此背景下，我们提出了一种多RIS辅助的空中计算联邦学习系统，该系统整合了基于信道质量的设备选择算法。该算法根据通信信道条件识别参与训练过程的最佳设备。仿真结果表明，我们提出的模型在测试准确性和收敛速度方面优于基准设计。
Keyword:
Reconfigurable intelligent surface
Federated learning
Over-the-air computation
Device selection
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.6
论文数:
2.1K
被引数:
6.6K
机构
引用论文
Reconfigurable Intelligent Surfaces for Energy Efficiency in Wireless Communication无线通信能效的可重构智能表面OAAI
OAAI分享收藏A federated learning scheme for hierarchical protection and multiple aggregation一种用于分层保护和多重聚合的联邦学习方案
PREAI
分享收藏Federated Machine Learning for Intelligent IoT via Reconfigurable Intelligent Surface.png)
IEEE NETWORKOAAI
IEEE NETWORKIF6.3
OAAI分享收藏Intelligent Reflecting Surface Enhanced Wireless Network via Joint Active and Passive Beamforming通过联合有源和无源波束形成的智能反射面增强无线网络OAAI
OAAI分享收藏
查看更多内容