(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111422214.4 (22)申请日 2021.11.26 (71)申请人 北京邮电大 学 地址 100876 北京市海淀区西土城路10号 (72)发明人 田辉　倪万里　刘旭锋　 (74)专利代理 机构 北京挺立专利事务所(普通 合伙) 11265 代理人 叶盛　高福勇 (51)Int.Cl. H04W 16/14(2009.01) H04W 24/02(2009.01) H04W 24/06(2009.01) G06N 20/00(2019.01) (54)发明名称 一种无线联邦学习方法及装置 (57)摘要 本发明公开了一种无线联邦学习方法及装 置， 方法包括步骤： 基于空中计算的分布式学习 用户和基于非正交多址接入的集中式学习用户 通过双功能智能超表面辅助的并发传输， 共享上 行频谱资源， 将本地数据和模型参数同时发送到 基站进行混合学习； 基站首先对基于非正交多址 接入的集中式用户进行信号译码， 从而获得每个 集中式学习用户的本地数据， 用以计算其模型参 数； 然后基站利用串行干扰消除及空中计算技术 得到联邦 学习用户的平均模型参数； 基站结合前 述两类模型参数， 更新全局模型； 之后基站将全 局模型下发至所有联邦学习用户以进行下一轮 学习， 直至全局模型收敛或达到最大迭代次数。 本发明可以显著降低通信开销和降低传输时延 以及获得更好的学习性能。 权利要求书3页 说明书9页 附图3页 CN 114125861 A 2022.03.01 CN 114125861 A 1.一种无线联邦学习方法， 其特 征在于， 包括以下步骤： S201、 基于空中计算的分布式学习用户和基于非正交多址接入的集中式学习用户通过 双功能智能超表面辅助的并发传输， 共享上行频谱资源， 将本地数据和模型参数同时发送 到基站进行混合学习； S202、 基站首先对基于非正交多址接入的集中式用户进行信号译码， 从而获得每个集 中式学习用户的本地数据， 用以计算其模型参数； 然后基站利用串行干扰消除及空中计算 技术得到联邦学习用户的平均模型参数； S203、 基站结合前述两类模型参数， 更新全局模型； 之后 基站将全局模型下发至所有联 邦学习用户以进行 下一轮学习， 直至全局模型收敛或达 到最大迭代次数。 2.根据权利要求1所述的无线联邦学习方法， 其特征在于， 步骤S201的具体方法为： 有 计算能力的用户通过本地计算得到模型参数， 利用空中计算上传到基站； 没有计算能力的 用户通过使用非正交多址接入技术将他们的本地数据集传输到基站， 并由基站 来代替其进 行模型计算， 从而参与到学习的过程中； 借助双功能智能超表面， 使得集中式学习的本地数 据与联邦学习的模型参数 得以并行 上传， 从而将两者 集成到一个统一的框架中。 3.根据权利要求1所述的无线联邦学习方法， 其特征在于， 步骤S201中， 所有用户集合 表示为U＝N∪K， 其中， 联邦学习用户集合表示为 集中式学习用户的集合 表示为 根据双功能智能超表面的空间设置， 将其自由空间分为 折射区域与反射区域， 对于分别位于这两个区域内的用户的信号传输到反射面时， 双功 能 智能超表面分别采用折 射和反射大的模式将信号传送到基站， 具体形式为： 其中 为第u个用户到基站直射径信 道响应， 为第u个用户 到双功能智能超表面的信道响应， 为所述双功能智能超表面到基站的信道响应， 定 义 分别代表双功能智能反射面的反射向量( χ＝R)或 者折射向量( χ＝T)， 其中 Θu＝diag(qχ)为双功能智能超表面的相 移矩阵， sn代表集中式学习用户上传的本地数据， sk代表联邦学习用户发送的模型参数， pn 和pk分别表示信号的发送 功率， z0～CN(0, σ2)为AWGN信道噪声。 4.根据权利要求1所述的无线联邦学习方法， 其特 征在于， 步骤S202的具体方法为： 联邦学习用户的平均梯度为： 集中式学习用户的平均梯度： 其 中 gk和 gn分 别 表 示 联 邦 学 习 用 户 和 集 中 式 学 习 用 户 的 梯 度 ，有权　利　要　求　书 1/3 页 2 CN 114125861 A 2表示本地的梯度， 其中Fu(w； Du)为每个用户的损失函数， Du表示每 个用户的数据集。 5.根据权利要求1所述的无线联邦学习方法， 其特征在于， 步骤S202中， 基站通过使用 连续干扰消除解码， 将来自强用户的单个信号一一解码， 并且利用来自弱用户的残差信号 进行函数计算， 通过双功能智能超表面调整信道响应 使其满足： 基站通过连续干扰消除解码后， 获得所有集中式学习用户的信号； 之后通过空中计算 技术得到的联邦学习用户的平均参数为： 6.根据权利要求1所述的无线联邦学习方法， 其特 征在于， 步骤S20 3的具体方法为： 联邦学习用户的训练在本地完成： 集中式学习用户的训练有基站 代替完成： 全局的模型 更新为： 其 中 gk和 gn分 别 表 示 联 邦 学 习 用 户 和 集 中 式 学 习 用 户 的 梯 度 ，有 表示每个本地的梯度， 其中Fu(w； Du)为每个用户的损失函数， Du表 示每个用户的数据集， g为 最后求得的全局梯度； 在得到全局模型后， 基站将模型下发至联邦学习用户， 联邦学习用户再次利用本地数 据得到模 型参数， 并上传至基站； 基站利用集中式学习用户上传的本地数据进 行训练， 并接 收的联邦学习用户的模型参数， 进 行下一轮更新， 循环迭代 这样的训练， 直到收敛或者达到 最大迭代次数限制。 7.一种无线联邦学习装置， 其特 征在于， 包括： 无线通信模块， 用于完成基站每一轮训练前用户端到基站端的数据上行传输以及每轮 训练完成后模型下发的下行传输， 其中依靠双功能智能超表面完成上行传输过程中的并行 传输； 数据存储模块， 用于存储用户上传的数据， 包括集中式学习用户的本地数据集以及联 邦学习用户的平均模型参数； 其中， 联邦学习用户的平均模型参数会在每轮上行通信完成 后更新； 数据处理模块， 用于对基于非正交多址接入的集中式用户进行信号译码， 从而获得每权　利　要　求　书 2/3 页 3 CN 114125861 A 3