全双工雷达中通过发射波束成形实现天线级自干扰抑制

《IEEE Antennas and Wireless Propagation Letters》：Antenna-level Self-Interference Suppression in Full-Duplex Radar via Transmit Beamforming

　　

影响分析：

联邦学习在非独立同分布数据条件下常常面临训练不稳定以及更新不一致的问题。虽然许多最新方法提升了精度，但却增加了训练成本……显示更多

摘要：

联邦学习通过聚合客户端更新来训练全局模型，而无需共享数据。然而，由于特征、标签、样本量及参与度的统计差异，本地目标与全局目标会出现不一致，导致简单的平均法存在偏差且有时不稳定。现有的解决方案要么改变本地优化方式，要么对模型进行个性化处理，虽能提升精度，但往往无法解决服务器端聚合的不一致问题，还会增加额外的开销。我们提出了FedXGraph（FXG），这是一种模块化的服务器端聚合器，它通过多中心性融合与边缘稀疏化技术，将FedAvg与基于图的结构相结合。FXG在保持FedAvg稳定性的同时，引入了补充的结构信号，降低了单一中心性带来的偏差，同时也避免了基于图神经网络的加权方法所需的复杂结构和大量数据。我们在CIFAR-10和Fashion-MNIST数据集上，针对不同的差异程度和稀疏化设置，对比了低成本基准方法、单一中心性方法以及另一种结构感知型聚合器，测试了FXG的性能。实验结果表明，在适度差异条件下，FXG的多中心性组合能带来最可靠的性能提升，在Fashion-MNIST上的最佳提升率为2.75%，在CIFAR-10上为1.85%；而在数据近似独立同分布的情况下，通过合理的边缘过滤，其性能仍保持良好。其他实验还显示，FXG及其变体相比FedAvg和FedProx基准方法，最高可提升10%以上的性能。总体而言，FXG是一种即插即用且轻量级的解决方案，能够实现更有效的聚合优化，比直接的图神经网络方法或单一中心性规则更能协调全局目标与本地目标。