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

1. Probleemstelling

Het artikel behandelt de uitdaging om drie kritieke functionaliteiten—Waarneming, Berekening en Communicatie (ISCC)—op signaalniveau te integreren binnen een Federated Learning (FL) raamwerk. Specifiek richt het zich op Signaalniveau ISCC (Sig-ISCC), waarbij een enkele golfvorm gelijktijdig ondersteunt:

• Commutatie via de lucht (AirComp): Het aggregeren van modelupdates (gradienten) van randapparaten (ED's) naar een basisstation (BS) voor FL.
• Gecombineerde doeldetectie: Het waarnemen van een doelwit met behulp van de echo's van dezelfde verzonden signalen.

Het Kernconflict:

• AirComp-doel: Vereist dat ontvangen signalen van alle ED's in vermogen zijn uitgelijnd (specifiek, $h_k \sqrt{p_k} \approx \text{constante}$) om aggregatievervorming (Middelpunt Kwadratische Fout, MSE) te minimaliseren. Dit geeft doorgaans de voorkeur aan apparaten met slechte kanalen om met hoger vermogen te zenden.
• Waarnemingsdoel: Vereist een specifiek geaggregeerd signaal-ruisverhouding (SNR) bij de BS om een doelwit te detecteren. Dit legt een beperking op aan de gewogen som van de zendvermogens ($\sum p_k b_k \ge \eta_D$), waarbij $b_k$ afhankelijk is van de radardoorsnede en het padverlies.
• De Uitdaging: De waarnemingsbeperking breekt de monotonie van standaard AirComp-vermogensregeling. Een apparaat met een grote waarnemingscoëfficiënt ($b_k$) kan hoog vermogen nodig hebben om aan de waarnemingsbeperking te voldoen, zelfs als zijn kanaalwinst ($h_k$) slecht is, wat de AirComp-aggregatieprecisie ernstig zou kunnen verslechteren. Het artikel streeft naar het vinden van de gezamenlijke optimale zendvermogens ($p_k$) en ontvangst-schaalfactor ($\alpha$) die de AirComp-vervorming minimaliseren terwijl de gezamenlijke doeldetectie-eis strikt wordt nageleefd.

2. Methodologie

Systeemmodel

• FL-raamwerk: Standaard FedAvg met $K$ randapparaten. De BS aggregeert gradienten via AirComp.
• Waarnemingsmodel: Gecoördineerde gezamenlijke detectie waarbij ED's zenden, echo's ontvangen, en de BS de verwerkte signalen fuseert om een binaire hypothese-test uit te voeren (doel aanwezig vs. afwezig). De detectiekans is gekoppeld aan een waarnemingsmetriek $E_I = \sum p_k b_k$.
• Optimalisatiedoel: Minimaliseren van de AirComp MSE (die de FL-convergentiesnelheid bepaalt) onderworpen aan:
  1. Gezamenlijke waarnemingsbeperking: $\sum p_k b_k \ge \eta_D$.
  2. Maximale vermogensbeperkingen: $0 \le p_k \le P_{max}$.

Wiskundige Formulering & Transformatie

Het initiële probleem is niet-convex door de koppeling van variabelen $p_k$ en $\alpha$ in de doelfunctie.

1. Variabelentransformatie: De auteurs introduceren een bijectieve verandering van variabelen: $x_k = p_k \alpha$. Dit transformeert het oorspronkelijke niet-convexe probleem (P1) naar een equivalent convex optimalisatieprobleem (P2).
2. Convexiteit: De nieuwe doelfunctie is convex en de beperkingen worden affijn, wat een rigoureuze theoretische analyse mogelijk maakt.

Analytische Oplossing & Algorithmus

In plaats van uitsluitend te vertrouwen op numerieke oplossers, leiden de auteurs een analytisch gekarakteriseerde optimale oplossing af:

• KKT-voorwaarden: Ze analyseren de Karush-Kuhn-Tucker (KKT)-voorwaarden voor het convexe probleem.
• Structurele Eigenschappen: Ze bewijzen dat de optimale oplossing wordt gekenmerkt door een specifieke structuur waarbij apparaten worden gepartitioneerd in twee sets:
  • Diegene die zenden met maximaal vermogen ($P_{max}$).
  • Diegene die zenden op een specifiek vermogensniveau bepaald door een duale variabele $\lambda^*$ (gerelateerd aan de waarnemingsbeperking).
• Monotonie: Ze stellen vast dat het verband tussen de duale variabele $\lambda$ en de systeemparameters monotoon is.
• Algorithmus 1 (Polynomiale Tijd):
  • De algoritme doorzoekt systematisch mogelijke "actieve sets" (combinaties van apparaten op max vermogen).
  • Voor elke kandidaat-set lost het een wortelvindingsprobleem op voor $\lambda^*$ met gebruikmaking van de monotonie-eigenschap.
  • Complexiteit: De algoritme draait in $O(|K|^3)$ tijd, wat polynomiaal is en aanzienlijk sneller dan algemene niet-lineaire programmering (NLP)-oplossers.
  • Robuustheid: De methode is bewezen robuust te zijn tegen numerieke fouten in de wortelvindingsstap.

3. Belangrijkste Bijdragen

1. Eerste Sig-ISCC Raamwerk voor FL: Stelt het eerste omhoog-vermogensregeling raamwerk voor signaalniveau ISCC in AirComp-gebaseerde Federated Learning (AirFEEL) voor, waarbij een enkele gedeelde golfvorm wordt gebruikt voor zowel waarneming als berekening.
2. Convexe Herformulering: Transformeert succesvol een niet-convex gezamenlijk vermogen-schaalprobleem naar een equivalent convex probleem via een nieuwe variabelentransformatie.
3. Analytisch Optimaal Algorithmus: Ontwikkelt een algoritme in polynomiale tijd met bewezen globale optimaliteit. In tegenstelling tot black-box oplossers, exploiteert dit algoritme de specifieke wiskundige structuur van het probleem (monotonie en actieve sets) om de exacte oplossing te vinden.
4. Robuustheidsanalyse: Biedt theoretische garanties dat het algoritme stabiel blijft, zelfs met numerieke onnauwkeurigheden in het wortelvindingsproces.

4. Simulatie Resultaten

De auteurs valideren hun aanpak met behulp van MNIST en CIFAR-10 datasets onder diverse kanaalcondities en doelwitslocaties.

• Optimaliteitsverificatie:
  • Vergelijkend met kant-en-klare NLP-oplossers (bijv. IPOPT), bereikt het voorgestelde algoritme numerieke precisie waarbij de kloof vaak $<0,01\%$ is.
  • Standaard oplossers zonder de specifieke variabelentransformatie falen vaak om het globale optimum te bereiken of blijven steken in lokale minima.
• Berekeningsefficiëntie:
  • Het voorgestelde algoritme is 10x tot 100x sneller dan commerciële oplossers (gemiddelde runtime ~0,001s vs. ~0,01s).
• Prestatie versus Baselines:
  • Zero-Forcing (ZF): Zeer gevoelig voor diepe fading; prestaties verslechteren aanzienlijk wanneer het doelwit dicht bij specifieke ED-groepen ligt.
  • Gierige Waarnemingsvermogen: Voldoet aan waarnemingsbeperkingen maar offert FL-accuraatheid op, vooral in niet-i.i.d. datasituaties.
  • Voorgestelde Methode: Bereikt consistent de laagste aggregatie MSE en hoogste testaccuraatheid, en komt dicht in de buurt van de "Geen Waarneming" ondergrens. Dit demonstreert dat aan de waarnemingsbeperking kan worden voldaan met verwaarloosbare impact op FL-prestaties wanneer vermogen gezamenlijk wordt geoptimaliseerd.

5. Betekenis

• 6G-Enabler: Dit werk biedt een fundamentele oplossing voor 6G Integrated Sensing and Communication (ISAC) systemen, specifiek gericht op het "strakste" niveau van integratie (Sig-ISCC) waarbij waarneming en communicatie exact dezelfde golfvorm delen.
• Ressource-efficiëntie: Het demonstreert dat gezamenlijke waarneming en leren kunnen worden uitgevoerd zonder significante resource-overhead of prestatiedegradatie, mits optimale resource-toewijzing wordt gebruikt.
• Praktische Implementatie: De ontwikkeling van een laag-complexiteit, polynomiale-tijd algoritme maakt real-time implementatie haalbaar voor randnetwerken, waarbij de latentie- en betrouwbaarheidsproblemen die geassocieerd zijn met iteratieve numerieke oplossers worden overwonnen.
• Theoretisch Inzicht: Het artikel overbrugt de kloof tussen theoretische convexe optimalisatie en praktisch draadloos systeemontwerp, en toont aan hoe analytische eigenschappen kunnen worden benut om robuuste, hoogpresterende regeling-algoritmen voor gedistribueerd leren te creëren.