在无线网络中，联邦学习（FL）面临显著的训练延迟和收敛性下降，尤其在阻塞传播环境下，可靠的无线传输尤为困难。尽管可重构智能表面（RIS）提升了通信的可靠性，但现有的无线FL研究很少考虑在调制依赖的传输错误下，学习收敛与通信延迟之间的权衡。
本文研究了在RIS辅助的阻塞链路传播场景下的无线FL系统，重点关注收敛-延迟感知的自适应调制和子信道分配。通过分析符号错误对上传本地梯度的影响，我们推导出一个与收敛相关的上界，揭示了符号错误率（SER）对FL损失衰减的影响。
基于这一结果，我们构建了一个联合收敛-延迟优化问题，并将其转化为混合整数非线性规划（MINLP）问题，采用低复杂度的混合交替优化框架进行求解。对MNIST、CIFAR-10和Speech Commands的广泛实验表明，所提出的方案在复杂任务和具有挑战性的无线场景中，始终实现了比现有自适应通信方案更快的收敛和更高的测试准确性。
博主点评： 本文通过引入RIS技术，解决了无线联邦学习中的收敛与延迟问题，展示了在复杂环境下的有效性。该研究为提高无线通信的可靠性与效率提供了新的思路，具有重要的应用价值和理论意义。