Analytically Characterized Optimal Power Control for Signal-Level-Integrated Sensing, Computing and Communication in Federated Learning

1. Énoncé du problème

L'article aborde le défi de l'intégration de trois fonctionnalités critiques — Détection, Calcul et Communication (ISCC) — au niveau du signal dans un cadre d'Apprentissage Fédéré (FL). Plus précisément, il se concentre sur l'ISCC au niveau du signal (Sig-ISCC), où une seule forme d'onde prend en charge simultanément :

• Le Calcul par Ondes (AirComp) : Agrégation des mises à jour de modèle (gradients) depuis des dispositifs périphériques (ED) vers une station de base (BS) pour le FL.
• Détection conjointe de cibles : Détection d'une cible en utilisant les échos des mêmes signaux transmis.

Le Conflit Central :

• Objectif AirComp : Nécessite que les signaux reçus de tous les ED soient alignés en puissance (spécifiquement, $h_k \sqrt{p_k} \approx \text{constante}$) pour minimiser la distorsion d'agrégation (Erreur Quadratique Moyenne, MSE). Cela favorise généralement les dispositifs avec de mauvais canaux à transmettre à une puissance plus élevée.
• Objectif Détection : Nécessite un rapport signal-sur-bruit (SNR) agrégé spécifique à la BS pour détecter une cible. Cela impose une contrainte sur la somme pondérée des puissances de transmission ($\sum p_k b_k \ge \eta_D$), où $b_k$ dépend de la section efficace radar et de l'atténuation de propagation.
• Le Défi : La contrainte de détection brise la monotonie du contrôle de puissance AirComp standard. Un dispositif avec un grand coefficient de détection ($b_k$) pourrait avoir besoin d'une puissance élevée pour satisfaire la contrainte de détection, même si son gain de canal ($h_k$) est faible, ce qui dégraderait sévèrement la précision d'agrégation AirComp. L'article cherche à trouver le facteur d'échelle de réception optimal conjoint ($\alpha$) et la puissance de transmission optimale ($p_k$) qui minimisent la distorsion AirComp tout en satisfaisant strictement l'exigence de détection conjointe de cible.

2. Méthodologie

Modèle du système

• Cadre FL : FedAvg standard avec $K$ dispositifs périphériques. La BS agrège les gradients via AirComp.
• Modèle de détection : Détection conjointe coordonnée où les ED transmettent, reçoivent les échos, et la BS fusionne les signaux traités pour effectuer un test d'hypothèse binaire (cible présente vs absente). La probabilité de détection est liée à une métrique de détection $E_I = \sum p_k b_k$.
• Objectif d'optimisation : Minimiser le MSE AirComp (qui dicte la vitesse de convergence du FL) sous réserve de :
  1. Contrainte de détection conjointe : $\sum p_k b_k \ge \eta_D$.
  2. Contraintes de puissance maximale : $0 \le p_k \le P_{max}$.

Formulation mathématique et transformation

Le problème initial est non convexe en raison du couplage des variables $p_k$ et $\alpha$ dans la fonction objectif.

1. Transformation de variable : Les auteurs introduisent un changement de variables bijectif : $x_k = p_k \alpha$. Cela transforme le problème non convexe original (P1) en un problème d'optimisation convexe équivalent (P2).
2. Convexité : La nouvelle fonction objectif est convexe et les contraintes deviennent affines, permettant une analyse théorique rigoureuse.

Solution analytique et algorithme

Au lieu de s'appuyer uniquement sur des solveurs numériques, les auteurs dérivent une solution optimale caractérisée analytiquement :

• Conditions KKT : Ils analysent les conditions de Karush-Kuhn-Tucker (KKT) pour le problème convexe.
• Propriétés structurelles : Ils prouvent que la solution optimale est caractérisée par une structure spécifique où les dispositifs sont partitionnés en deux ensembles :
  • Ceux transmettant à puissance maximale ($P_{max}$).
  • Ceux transmettant à un niveau de puissance spécifique déterminé par une variable duale $\lambda^*$ (liée à la contrainte de détection).
• Monotonie : Ils établissent que la relation entre la variable duale $\lambda$ et les paramètres du système est monotone.
• Algorithme 1 (Temps polynomial) :
  • L'algorithme recherche systématiquement les "ensembles actifs" possibles (combinaisons de dispositifs à puissance maximale).
  • Pour chaque ensemble candidat, il résout un problème de recherche de racine pour $\lambda^*$ en utilisant la propriété de monotonie.
  • Complexité : L'algorithme s'exécute en $O(|K|^3)$ temps, ce qui est polynomial et significativement plus rapide que les solveurs de programmation non linéaire (NLP) généraux.
  • Robustesse : La méthode est prouvée robuste aux erreurs numériques dans l'étape de recherche de racine.

3. Contributions clés

1. Premier cadre Sig-ISCC pour le FL : Propose le premier cadre de contrôle de puissance en liaison montante pour l'ISCC au niveau du signal dans l'Apprentissage Fédéré basé sur AirComp (AirFEEL), utilisant une forme d'onde partagée unique pour la détection et le calcul.
2. Reformulation convexe : Transforme avec succès un problème conjoint de mise à l'échelle de puissance non convexe en un problème convexe équivalent via une nouvelle transformation de variable.
3. Algorithme optimal analytique : Développe un algorithme à temps polynomial avec optimalité globale prouvée. Contrairement aux solveurs boîte noire, cet algorithme exploite la structure mathématique spécifique du problème (monotonie et ensembles actifs) pour trouver la solution exacte.
4. Analyse de robustesse : Fournit des garanties théoriques que l'algorithme reste stable même avec des imprécisions numériques dans le processus de recherche de racine.

4. Résultats de simulation

Les auteurs valident leur approche en utilisant les jeux de données MNIST et CIFAR-10 dans diverses conditions de canal et emplacements de cibles.

• Vérification de l'optimalité :
  • Comparé à des solveurs NLP standards (par exemple, IPOPT), l'algorithme proposé atteint une précision numérique où l'écart est souvent $<0,01\%$.
  • Les solveurs standards sans la transformation de variable spécifique échouent souvent à atteindre l'optimum global ou restent bloqués dans des minima locaux.
• Efficacité computationnelle :
  • L'algorithme proposé est 10 à 100 fois plus rapide que les solveurs commerciaux (temps d'exécution moyen ~0,001s contre ~0,01s).
• Performance par rapport aux références :
  • Annulation de zéro (ZF) : Très sensible aux évanouissements profonds ; la performance se dégrade considérablement lorsque la cible est proche de groupes spécifiques d'ED.
  • Puissance de détection gourmande : Satisfait les contraintes de détection mais sacrifie la précision du FL, en particulier dans les scénarios de données non-i.i.d.
  • Méthode proposée : Atteint constamment le MSE d'agrégation le plus bas et la précision de test la plus élevée, correspondant étroitement à la borne inférieure "Sans Détection". Cela démontre que la contrainte de détection peut être satisfaite avec un impact négligeable sur les performances du FL lorsque la puissance est optimisée conjointement.

5. Importance

• Facilitateur 6G : Ce travail fournit une solution fondamentale pour les systèmes ISAC (Détection et Communication Intégrées) 6G, abordant spécifiquement le niveau d'intégration le plus "strict" (Sig-ISCC) où la détection et la communication partagent exactement la même forme d'onde.
• Efficacité des ressources : Il démontre que la détection conjointe et l'apprentissage peuvent être effectués sans surcharge de ressources significative ni dégradation des performances, à condition d'utiliser une allocation optimale des ressources.
• Déploiement pratique : Le développement d'un algorithme à faible complexité et à temps polynomial rend l'implémentation en temps réel réalisable pour les réseaux périphériques, surmontant les problèmes de latence et de fiabilité associés aux solveurs numériques itératifs.
• Insight théorique : L'article comble le fossé entre l'optimisation convexe théorique et la conception pratique des systèmes sans fil, montrant comment les propriétés analytiques peuvent être exploitées pour créer des algorithmes de contrôle robustes et haute performance pour l'apprentissage distribué.