第48卷总第523期面向空中联邦学习的边缘智能感知模型优化方法研究李阳"，王新宁，韩凯峰"，蔡智捷²，朱光旭”，徐明枫1（1.中国信息通信研究院移动通信创新中心，北京100191；2.深圳市大数据研究院，广东深圳518055）【摘要】通过应用人工智能技术，通信感知一体化技术将赋予6G网络精确感知万物的能力。为了充分利用网络边缘节点收集到的感知数据且降低模型训练时延，业界提出了空中联邦学习方法，旨在利用无线信道的叠加特性实现多节点模型的聚合任务。然而，无线信道噪声对于空中联邦学习的性能影响尚未明晰。为探究该噪声对于模型泛化性能的影响，以最小化模型的种群损失的上界为优化目标，考虑总时延和总能耗的约束条件，建立了感知-通信联合资源分配优化问题，并通过采用网格搜索算法求解最优的传输功率分配方案，指出模型的泛化性能受数据批次大小和噪声功率的影响。仿真结果表明提出的空中联邦梯度下降算法能够显著提升模型的性能表现。【关键词】6G无线技术；通信感知一体化；空中联邦学习doi:10.3969/j.issn.1006-1010.20240207-0001中图分类号：TN911.7文献标志码：A文章编号：1006-1010(2024)03-0075-08引用格式：李阳,王新宁,韩凯峰,等.面向空中联邦学习的边缘智能感知模型优化方法研究[].移动通信,2024,48(3):75-82.LIYang,WANGXinnin,HANKaifeng,etal.SensingModelsOptimizationinEdgeIntlligenceforAerialFederatedLearning[J.MobileCommunications,2024,48(3):75-82.SensingModelsOptimizationinEdgeIntelligenceforAerialFederatedLearning[Abstract]Integratedsensingandcommunication,empoweredbyartificialintelligence,endows6Gnetworkswithhigh-precisionsensingcapabilitiesofthephysicalworld.Toefficientlyprocessthemassivesensingdatacollectedatedgenodesandreducemodeltrainingdelay,aerialfederatedlearninghasemerged.Thismethodleveragesthesuperpositionpropertyofwirelesschannelstosynchronizemodelparameterupdatesacrossmultiplenodes.However,thespecificimpactofwirelesschannelnoiseonmodelperformanceinaerialfederatedlearningnecessitatesin-depthinvestigation.Thisstudyaimstooptimizemodelgeneralizationcapabilities,incorporatingdelayandenergyconsumptionconstraintstodevelopajointoptimizationframeworkforsensingandcommunicationresources.Thetransmissionpowerallocationproblemisaddress...
