本文研究了在无线系统中进行的空中联邦学习（AirFL），其中接入点配备了多波导夹紧天线系统（PASS）。我们采用了广泛研究的以学习为导向的AirFL公式，旨在最大化所选设备数量，同时保持聚合失真低于规定阈值。设备选择、接收波束形成和夹紧天线位置的联合优化因这些系统变量间复杂的耦合关系而高度非凸。为了解决这个挑战，我们开发了AirPASS，这是一种交替优化框架，包含两个主要组件：在固定PASS配置下进行设备选择和接收波束形成的同伦-黎曼边际整合方法，以及在固定选择的设备和波束形成器下更新夹紧天线位置的同伦辅助几何优化方法。实验表明，AirPASS在性能上始终优于传统的共置MIMO基线，接近理想的FedAvg，并在相对于SDR-DC和匹配追踪调度替代方案中实现了良好的性能-复杂度权衡。
博主点评： AirPASS的提出为无线联邦学习提供了一个有效的解决方案，尤其是在设备选择和波束形成方面的创新方法，展示了在复杂非凸优化问题上的显著进展。这一研究不仅推动了无线通信技术的发展，也为未来的智能设备联邦学习奠定了基础。