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

1. Enunciato del Problema

Il documento affronta la sfida di integrare tre funzionalità critiche—Rilevamento, Elaborazione e Comunicazione (ISCC)—a livello di segnale all'interno di un framework di Apprendimento Federato (FL). Nello specifico, si concentra sull'ISCC a livello di segnale (Sig-ISCC), in cui un'unica forma d'onda supporta simultaneamente:

• Computazione Over-the-Air (AirComp): Aggregazione degli aggiornamenti del modello (gradienti) dai dispositivi periferici (ED) a una stazione base (BS) per il FL.
• Rilevamento congiunto di bersagli: Rilevamento di un bersaglio utilizzando gli echi degli stessi segnali trasmessi.

Il Conflitto Centrale:

• Obiettivo AirComp: Richiede che i segnali ricevuti da tutti gli ED siano allineati in potenza (specificamente, $h_k \sqrt{p_k} \approx \text{costante}$) per minimizzare la distorsione di aggregazione (Errore Quadratico Medio, MSE). Ciò favorisce tipicamente i dispositivi con canali scadenti a trasmettere a potenza più elevata.
• Obiettivo di Rilevamento: Richiede un rapporto segnale-rumore (SNR) aggregato specifico alla BS per rilevare un bersaglio. Ciò impone un vincolo sulla somma ponderata delle potenze di trasmissione ($\sum p_k b_k \ge \eta_D$), dove $b_k$ dipende dalla sezione d'urto radar e dalla perdita di percorso.
• La Sfida: Il vincolo di rilevamento rompe la monotonia del controllo di potenza AirComp standard. Un dispositivo con un grande coefficiente di rilevamento ($b_k$) potrebbe aver bisogno di alta potenza per soddisfare il vincolo di rilevamento, anche se il suo guadagno di canale ($h_k$) è scarso, il che degraderebbe severamente l'accuratezza dell'aggregazione AirComp. Il documento cerca di trovare il fattore di scala di ricezione ($\alpha$) e la potenza di trasmissione ottimale congiunta ($p_k$) che minimizzano la distorsione AirComp soddisfacendo rigorosamente il requisito di rilevamento congiunto del bersaglio.

2. Metodologia

Modello di Sistema

• Framework FL: FedAvg standard con $K$ dispositivi periferici. La BS aggrega i gradienti tramite AirComp.
• Modello di Rilevamento: Rilevamento congiunto coordinato in cui gli ED trasmettono, ricevono echi e la BS fonde i segnali elaborati per eseguire un test di ipotesi binario (bersaglio presente vs. assente). La probabilità di rilevamento è legata a una metrica di rilevamento $E_I = \sum p_k b_k$.
• Obiettivo di Ottimizzazione: Minimizzare l'MSE AirComp (che determina la velocità di convergenza del FL) soggetto a:
  1. Vincolo di rilevamento congiunto: $\sum p_k b_k \ge \eta_D$.
  2. Vincoli di potenza massima: $0 \le p_k \le P_{max}$.

Formulazione Matematica e Trasformazione

Il problema iniziale è non convesso a causa dell'accoppiamento delle variabili $p_k$ e $\alpha$ nella funzione obiettivo.

1. Trasformazione delle Variabili: Gli autori introducono un cambiamento di variabili biunivoco: $x_k = p_k \alpha$. Ciò trasforma il problema non convesso originale (P1) in un problema di ottimizzazione convesso equivalente (P2).
2. Convessità: La nuova funzione obiettivo è convessa e i vincoli diventano affini, permettendo un'analisi teorica rigorosa.

Soluzione Analitica e Algoritmo

Invece di affidarsi esclusivamente a risolutori numerici, gli autori derivano una soluzione ottimale caratterizzata analiticamente:

• Condizioni KKT: Analizzano le condizioni di Karush-Kuhn-Tucker (KKT) per il problema convesso.
• Proprietà Strutturali: Dimostrano che la soluzione ottimale è caratterizzata da una struttura specifica in cui i dispositivi sono partizionati in due insiemi:
  • Quelli che trasmettono alla potenza massima ($P_{max}$).
  • Quelli che trasmettono a un livello di potenza specifico determinato da una variabile duale $\lambda^*$ (relata al vincolo di rilevamento).
• Monotonia: Stabiliscono che la relazione tra la variabile duale $\lambda$ e i parametri del sistema è monotona.
• Algoritmo 1 (Tempo Polinomiale):
  • L'algoritmo cerca sistematicamente attraverso possibili "insiemi attivi" (combinazioni di dispositivi a potenza massima).
  • Per ogni insieme candidato, risolve un problema di ricerca della radice per $\lambda^*$ utilizzando la proprietà di monotonia.
  • Complessità: L'algoritmo esegue in tempo $O(|K|^3)$, che è polinomiale e significativamente più veloce dei risolutori generali di programmazione non lineare (NLP).
  • Robustezza: Il metodo è dimostrato robusto agli errori numerici nel passaggio di ricerca della radice.

3. Contributi Chiave

1. Primo Framework Sig-ISCC per FL: Propone il primo framework di controllo di potenza in uplink per Sig-ISCC a livello di segnale nell'Apprendimento Federato basato su AirComp (AirFEEL), utilizzando un'unica forma d'onda condivisa sia per il rilevamento che per l'elaborazione.
2. Riformulazione Convessa: Trasforma con successo un problema congiunto di potenza-scaling non convesso in un problema convesso equivalente tramite una nuova trasformazione delle variabili.
3. Algoritmo Ottimo Analitico: Sviluppa un algoritmo a tempo polinomiale con ottimalità globale dimostrabile. A differenza dei risolutori "black-box", questo algoritmo sfrutta la struttura matematica specifica del problema (monotonia e insiemi attivi) per trovare la soluzione esatta.
4. Analisi di Robustezza: Fornisce garanzie teoriche che l'algoritmo rimanga stabile anche con imprecisioni numeriche nel processo di ricerca della radice.

4. Risultati delle Simulazioni

Gli autori validano il loro approccio utilizzando i dataset MNIST e CIFAR-10 in varie condizioni di canale e posizioni del bersaglio.

• Verifica dell'Ottimalità:
  • Confrontato con risolutori NLP pronti all'uso (es. IPOPT), l'algoritmo proposto raggiunge una precisione numerica dove il divario è spesso <0,01%.
  • I risolutori standard senza la specifica trasformazione delle variabili spesso falliscono nel raggiungere l'ottimo globale o rimangono bloccati in minimi locali.
• Efficienza Computazionale:
  • L'algoritmo proposto è 10-100 volte più veloce dei risolutori commerciali (tempo di esecuzione medio ~0,001s contro ~0,01s).
• Prestazioni rispetto alle Baseline:
  • Zero-Forcing (ZF): Altamente sensibile ai fading profondi; le prestazioni degradano significativamente quando il bersaglio è vicino a specifici gruppi di ED.
  • Potenza di Rilevamento Greedy: Soddisfa i vincoli di rilevamento ma sacrifica l'accuratezza del FL, specialmente in scenari di dati non i.i.d.
  • Metodo Proposto: Raggiunge costantemente l'MSE di aggregazione più basso e la massima accuratezza di test, corrispondendo strettamente al limite inferiore "Nessun Rilevamento". Ciò dimostra che il vincolo di rilevamento può essere soddisfatto con un impatto trascurabile sulle prestazioni del FL quando la potenza è ottimizzata congiuntamente.

5. Significato

• Abilitatore 6G: Questo lavoro fornisce una soluzione fondazionale per i sistemi 6G Integrated Sensing and Communication (ISAC), affrontando specificamente il livello di integrazione più "stretto" (Sig-ISCC) in cui rilevamento e comunicazione condividono esattamente la stessa forma d'onda.
• Efficienza delle Risorse: Dimostra che il rilevamento congiunto e l'apprendimento possono essere eseguiti senza un sovraccarico significativo di risorse o degradazione delle prestazioni, a condizione che venga utilizzata un'allocazione ottimale delle risorse.
• Implementazione Pratica: Lo sviluppo di un algoritmo a bassa complessità e tempo polinomiale rende fattibile l'implementazione in tempo reale per le reti periferiche, superando i problemi di latenza e affidabilità associati ai risolutori numerici iterativi.
• Insight Teorico: Il documento colma il divario tra ottimizzazione convessa teorica e progettazione pratica di sistemi wireless, mostrando come le proprietà analitiche possano essere sfruttate per creare algoritmi di controllo robusti e ad alte prestazioni per l'apprendimento distribuito.