摘要
本文提出了一种认知联邦图学习（Cognitive Federated Graph Learning，CFGL）框架，用于协同优化认知无线电网络中的三类相互依赖的资源：(i) 次用户传输的频率信道分配，(ii) 多跳数据包传输的路由路径，以及 (iii) 基于每条链路信干噪比（SINR）确定的发射功率预算。CFGL框架引入联邦学习机制，使各认知节点能够在不交换原始感知数据的前提下进行隐私保护的分布式训练；同时利用图神经路由模型来刻画网络拓扑依赖性，以实现动态数据包转发。该框架通过联合频谱-空间状态表示，同时捕捉频域特征和空间传播模式。框架采用自适应加权方法进行分层聚合，其策略由信道条件和局部数据分布共同决定。我们提供了详细的数学公式，涵盖联邦优化目标、图卷积操作以及集成的路由-资源分配问题。实验结果表明，相较于集中式和联邦式基线方案，CFGL在频谱效率方面提升了18%–67%，路由时延降低了27%–62%，并实现了接近最优的公平性，同时在非独立同分布（non-IID）数据条件下仍保持了稳健的收敛性能。
