面向联邦学习的免授权随机接入研究OA

联邦学习作为一种可以保障用户数据隐私的分布式学习范式,在无线边缘场景中体现出了突出的应用潜力。在联邦学习中,用户终端需要与服务器进行接入已传输其更新的模型参数,因而随机接入是联邦学习中无线传输的一个重要环节。相较于传统的随机接入方式,免授权随机接入由于节省了大量的控制信令开销使其成为6G大规模物联网实现海量低功耗低时延连接的关键。因此有必要研究免授权随机接入与联邦学习的融合。现有研究面向海量终端提出了资源跳跃多址技术与联邦学习的结合方案。然而,目前的结合方案仅考虑了用户数量固定的情况,免授权随机接入导致的用户数量随机对结合方案的影响仍有待研究。因此提出将免授权随机接入融合进新型多址与联邦学习的结合方案中,以探究其所产生的影响。结果表明,考虑用户数量随机不仅能够提高联邦学习模型的训练速度,而且可以提高系统的稳定性。