Federated Learning in Multi-RIS-Aided Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The fundamental communication paradigms in the next-generation mobile networks are shifting from connected things to connected intelligence. The potential result is that current communication-centric wireless systems are greatly stressed when supporting computation-centric intelligent services with distributed big data. This is one reason that makes federated learning come into being, it allows collaborative training over many edge devices while avoiding the transmission of raw data. To tackle the problem of model aggregation in federated learning systems, this article resorts to multiple reconfigurable intelligent surfaces (RISs) to achieve efficient and reliable learning-oriented wireless connectivity. The seamless integration of communication and computation is actualized by over-the-air computation (AirComp), which can be deemed as one of the uplink nonorthogonal multiple access (NOMA) techniques without individual information decoding. Since all local parameters are uploaded via noisy concurrent transmissions, the unfavorable propagation error inevitably deteriorates the accuracy of the aggregated global model. The goals of this work are to 1) alleviate the signal distortion of AirComp over shared wireless channels and 2) speed up the convergence rate of federated learning. More specifically, both the mean-square error (MSE) and the device set in the model uploading process are optimized by jointly designing transceivers, tuning reflection coefficients, and selecting clients. Compared to baselines, extensive simulation results show that 1) the proposed algorithms can aggregate model more accurately and accelerate convergence and 2) the training loss and inference accuracy of federated learning can be improved significantly with the aid of multiple RISs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle