在当今互联日益紧密的世界中,高质量的通信变得比以往任何时候都更加重要。准确估计通信信道的动态状态是实现这一目标的关键因素。最近,一个联合研究团队设计了一种新算法,能够以较低的计算和通信成本提供高水平的估计精度和隐私保护。这项研究发表在《智能计算》上。
这种新算法使用专门设计的深度学习模型进行精确估计,并使用联邦学习框架来训练模型,同时保持用户数据的安全和较低的开销。它还包括一个用户激励计划,以充分利用计算资源。
该团队使用本地用户数据集和现实环境数据集在无线通信网络中测试了该算法。在本地用户数据集上的测试表明,在不同信噪比、导频等条件下,与一些传统和深度学习算法相比,该方法在估计信道状态信息方面更加准确。
现实环境测试进一步证明了算法的有效性。测试使用的信道数据来自移动通信开放数据集,包括稀疏场景和密集场景;稀疏场景包含10,000个地图,每个地图包含5个基站位置和30个用户位置;密集场景包含100个地图,每个地图包含1个基站位置和10,000个用户位置。假设所有用户在整个过程中都是静止的。
结果表明,该算法在稀疏和密集场景下均优于三种最先进的模型,并且在条件更加多变和复杂的稀疏场景中性能差距更大。这意味着通过联邦学习训练并具有更高水平的用户参与的模型比以集中方式训练的基准模型更强大、适应性更强且可扩展。
在联邦学习框架中,用于训练的资源是本地设备的资源,它们与中央服务器交换参数而不是原始数据。这降低了计算和通信成本,保护了用户数据隐私,并适合大型复杂的通信网络,从而完美地补充了准确性优先、灵活性较低的深度学习模型,例如本例中的生成对抗网络。
典型的生成对抗网络由生成器和鉴别器组成:前者创建样本以近似真实世界的数据,后者挑战样本以推动更好的结果。该团队将他们的版本设计成双U形网络,以避免采样过程中的信息丢失,并在判别器处添加了正则化功能,以提高一致性和稳定性。
该团队指出,他们的算法存在一定的局限性,包括模型参数众多以及对标记数据的依赖。压缩模型并使用无监督方法对其进行训练是未来工作的可能方向。未来,他们计划探索动态、多样化网络中的联邦学习,其中每个设备拥有不同的资源来执行板载验证和客户端选择。