arXiv cs.AI· Seyed Mohammad Azimi-Abarghouyi, Christopher G. Brinton·· 2 天前AI 评分10
AirPASS：基于 Pinching 天线系统的空中联邦学习
AirPASS: Over-the-Air Federated Learning via Pinching Antenna Systems
AI 导读
该研究提出 AirPASS，一个面向配备多波导 Pinching 天线系统（PASS）接入点的空中联邦学习（AirFL）交替优化框架，在聚合失真低于预设阈值的前提下最大化被选中设备数量。
正文 · AI 翻译
摘要：本文研究了无线系统中的空中联邦学习（AirFL），其中接入点配备了多波导夹持天线系统（PASS）。我们采用了广泛研究的面向学习的 AirFL 公式，该公式旨在最大化所选设备的数量，同时将聚合失真保持在规定阈值以下。由此产生的设备选择、接收波束成形和夹持天线放置的联合优化由于这些系统变量之间错综复杂的耦合而高度非凸。为了应对这一挑战，我们开发了 AirPASS，一个交替优化框架，包含两个主要组成部分：在固定 PASS 配置下用于设备选择和接收波束成形的同伦-黎曼边缘巩固方法，以及在固定所选设备和波束成形器下用于更新夹持天线位置的同伦辅助几何优化方法。
| 主题： | 信息论（cs.IT）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2607.06768 [cs.IT] |
| （或 arXiv:2607.06768v2 [cs.IT] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.06768 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Seyed Mohammad Azimi-Abarghouyi [查看电子邮件]
[v1]
2026年7月7日星期二 19:55:46 UTC（975 KB）
[v2]
2026年10月14日星期三 23:02:59 UTC（1,132 KB）
来源：arXiv cs.AI · arxiv.org