14、可重构智能表面辅助的联合学习技术解析

可重构智能表面辅助的联合学习技术解析

1. 可重构智能表面与联合学习概述

在分布式联合学习中，以往基于空中计算的快速模型聚合方法虽利用了无线信号叠加特性减少频谱资源需求，但性能受不利信号传播条件限制。可重构智能表面（Reconfigurable Intelligent Surface, RIS）作为一种经济高效的技术应运而生，它通过重构电磁波传播环境，提高无线通信的频谱效率和能量效率，且在与机器学习、大规模 MIMO 太赫兹通信等先进技术集成方面潜力巨大。在联合学习系统中部署 RIS，有望降低空中计算方法的模型聚合误差。

RIS 是由结构化无源散射元件组成的低成本表面，能对入射信号进行可调相移。通过控制 RIS 的相移，可以增强接收信号功率并减轻同频干扰。已有研究提出了联合主动波束成形（即发射波束成形）和被动波束成形（即 RIS 的相移）设计方法，以在每个用户的目标信干噪比（SINR）约束下最小化接入点的传输功耗；还有研究提出了下行链路传输功率和 RIS 相移的联合设计，以最大化能量效率等。

2. 系统模型

考虑一个由一个 M 天线基站和 K 个单天线移动设备组成的分布式联合学习系统，该系统需要定期聚合每个移动设备的本地模型更新，以完成目标机器学习任务的模型训练。每次通信轮次的全局模型聚合公式为：
[z = \frac{1}{\sum_{i\in S} |D_i|} \sum_{i\in S} |D_i|z_i]
其中，$D_i$ 是设备 $i$ 的本地数据集。为减少模型聚合的高通信开销，采用基于空中计算的快速模型聚合方法提高通信效率。为克服不利的无线传播环境，引入一个具有 N 个反射元件的 RIS 来进一步加速模型聚合过程。