A Survey on Federated Learning for Reconfigurable Intelligent Metasurfaces-Aided Wireless Networks
Notice bibliographique
Résumé
Wireless networks are increasingly relying on machine learning (ML) paradigms to provide various services at the user level. Yet, it remains impractical for users to offload their collected data set to a cloud server for centrally training their local ML model. Federated learning (FL), which aims to collaboratively train a global ML model by leveraging the distributed wireless computation resources across users without exchanging their local information, is therefore deemed as a promising solution for enabling intelligent wireless networks in the data-driven society of the future. Recently, reconfigurable intelligent metasurfaces (RIMs) have emerged as a revolutionary technology, offering a controllable means for increasing signal diversity and reshaping transmission channels, without implementation constraints traditionally associated with multi-antenna systems. In this paper, we present a comprehensive survey of recent works on the applications of FL to RIM-aided communications. We first review the fundamental basis of FL with an emphasis on distributed learning mechanisms, as well as the operating principles of RIMs, including tuning mechanisms, operation modes, and deployment options. We then proceed with an in-depth survey of literature on FL-based approaches recently proposed for the solution of three key interrelated problems in RIM-aided wireless networks, namely: channel estimation (CE), passive beamforming (PBF) and resource allocation (RA). In each case, we illustrate the discussion by introducing an expanded FL (EFL) framework in which only a subset of active users partake in the distributed training process, thereby allowing to reduce transmission overhead. Lastly, we discuss some current challenges and promising research avenues for leveraging the full potential of FL in future RIM-aided extremely large-scale multiple-input-multiple-output (XL-MIMO) networks.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».