Latency Minimization for STAR-RIS-Aided Federated Learning Networks With Wireless Power Transfer
Notice bibliographique
Résumé
Simultaneous transmitting and reflecting reconfigurable intelligent surfaces (STAR-RISs) introduces revolutionary capabilities by reaching full space coverage for wireless signals, significantly enhancing the efficiency and reliability of Internet of Things (IoT) networks compared to traditional RIS. In this article, we propose a novel framework that leverages STAR-RIS into wirelessly powered federated learning (FL) networks with a multiantenna access point, aiming to minimize system latency. A multivariable nonconvex optimization problem is formulated to optimize phase shift vectors of STAR-RIS, beamforming matrices, time, power, and computation frequency for each user in all phases of FL. Block coordinate descent (BCD) over the combination of an 1-D search algorithm and interior point method is employed to optimize time, power, computation frequency, phase shift vectors of STAR-RIS, and active beamforming matrix in the uplink transmission phase, while semi-definite relaxation via BCD addresses phase shift vectors of STAR-RIS and beamforming matrices optimization in harvesting and downlink transmission phases. On this basis, the optimized downlink transmission time and power are derived. The convergence of the proposed algorithm and the superiority of its performance compared to benchmark schemes are validated through comprehensive simulations. Our findings indicate the potential of FL, multiantenna aggregation server, and STAR-RIS in ushering in a new era of intelligent and efficient IoT 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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».