一种客户端调度与模型压缩协同优化的空中联邦学习实现方法

一种客户端调度与模型压缩协同优化的空中联邦学习实现方法摘要：本发明实现了一种客户端调度与模型压缩协同优化的空中联邦学习实现方法。随着无线网络中联邦学习的快速发展，基于多输入多输出技术的空中计算因其高通信效率受到广泛关注。然而，在资源受限的大规模设备场景下，信道干扰、设备异质性以及有限的频谱资源显著制约了联邦学习的收敛速度和模型性能。为了应对这些挑战，本发明提出了一种联合压缩感知与客户端调度的空中联邦学习框架，通过协同设计模型参数压缩、多天线波束成形与动态设备选择策略，以最小化每轮训练的总通信开销，同时保障全局模型的收敛性。为了平衡训练成本和模型质量，提出了一个基于计算‑通信成本和模型精度损失的联合优化问题。为了解决这个非凸优化问题，我们将原始问题解耦为两个子问题。首先，针对给定的用户调度结果设计前编码和后处理矩阵的优化问题，以最小化梯度聚合误差。然后，提出一种新颖的基于信道和数据的用户调度算法，以获得空中聚合结果。