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

1. Declaração do Problema

O artigo aborda o desafio de integrar três funcionalidades críticas — Sensoriamento, Computação e Comunicação (ISCC) — ao nível de sinal dentro de um framework de Aprendizado Federado (FL). Especificamente, foca no ISCC ao Nível de Sinal (Sig-ISCC), onde uma única forma de onda suporta simultaneamente:

• Computação no Ar (AirComp): Agregação de atualizações de modelo (gradientes) de dispositivos de borda (EDs) para uma estação base (BS) para FL.
• Detecção Conjunta de Alvo: Sensoriamento de um alvo usando os ecos dos mesmos sinais transmitidos.

O Conflito Central:

• Objetivo do AirComp: Requer que os sinais recebidos de todos os EDs estejam alinhados em potência (especificamente, $h_k \sqrt{p_k} \approx \text{constante}$) para minimizar a distorção de agregação (Erro Quadrático Médio, MSE). Isso tipicamente favorece dispositivos com canais ruins para transmitir com maior potência.
• Objetivo de Sensoriamento: Requer uma relação sinal-ruído (SNR) agregada específica na BS para detectar um alvo. Isso impõe uma restrição sobre a soma ponderada das potências de transmissão ($\sum p_k b_k \ge \eta_D$), onde $b_k$ depende da seção transversal de radar e do desvanecimento de caminho.
• O Desafio: A restrição de sensoriamento quebra a monotonicidade do controle de potência padrão do AirComp. Um dispositivo com um grande coeficiente de sensoriamento ($b_k$) pode precisar de alta potência para satisfazer a restrição de sensoriamento, mesmo que seu ganho de canal ($h_k$) seja ruim, o que degradaria severamente a precisão da agregação do AirComp. O artigo busca encontrar a potência de transmissão ótima conjunta ($p_k$) e o fator de escala de recepção ($\alpha$) que minimizam a distorção do AirComp enquanto satisfazem estritamente o requisito de detecção conjunta de alvos.

2. Metodologia

Modelo de Sistema

• Framework FL: FedAvg padrão com $K$ dispositivos de borda. A BS agrega gradientes via AirComp.
• Modelo de Sensoriamento: Detecção conjunta coordenada onde os EDs transmitem, recebem ecos e a BS funde os sinais processados para realizar um teste de hipótese binária (alvo presente vs. ausente). A probabilidade de detecção está ligada a uma métrica de sensoriamento $E_I = \sum p_k b_k$.
• Objetivo de Otimização: Minimizar o MSE do AirComp (que dita a velocidade de convergência do FL) sujeito a:
  1. Restrição de sensoriamento conjunta: $\sum p_k b_k \ge \eta_D$.
  2. Restrições de potência máxima: $0 \le p_k \le P_{max}$.

Formulação Matemática e Transformação

O problema inicial é não convexo devido ao acoplamento das variáveis $p_k$ e $\alpha$ na função objetivo.

1. Transformação de Variáveis: Os autores introduzem uma mudança de variáveis bijetiva: $x_k = p_k \alpha$. Isso transforma o problema não convexo original (P1) em um problema de otimização convexa equivalente (P2).
2. Convexidade: A nova função objetivo é convexa e as restrições tornam-se afins, permitindo uma análise teórica rigorosa.

Solução Analítica e Algoritmo

Em vez de depender exclusivamente de solucionadores numéricos, os autores derivam uma solução ótima caracterizada analiticamente:

• Condições KKT: Eles analisam as condições de Karush-Kuhn-Tucker (KKT) para o problema convexo.
• Propriedades Estruturais: Eles provam que a solução ótima é caracterizada por uma estrutura específica onde os dispositivos são particionados em dois conjuntos:
  • Aqueles transmitindo na potência máxima ($P_{max}$).
  • Aqueles transmitindo em um nível de potência específico determinado por uma variável dual $\lambda^*$ (relacionada à restrição de sensoriamento).
• Monotonicidade: Eles estabelecem que a relação entre a variável dual $\lambda$ e os parâmetros do sistema é monotônica.
• Algoritmo 1 (Tempo Polinomial):
  • O algoritmo busca sistematicamente através de possíveis "conjuntos ativos" (combinações de dispositivos na potência máxima).
  • Para cada conjunto candidato, ele resolve um problema de busca de raiz para $\lambda^*$ usando a propriedade de monotonicidade.
  • Complexidade: O algoritmo executa em tempo $O(|K|^3)$, que é polinomial e significativamente mais rápido do que solucionadores gerais de programação não linear (NLP).
  • Robustez: O método é provado robusto a erros numéricos na etapa de busca de raiz.

3. Principais Contribuições

1. Primeiro Framework Sig-ISCC para FL: Propõe o primeiro framework de controle de potência de enlace ascendente para ISCC ao nível de sinal em Aprendizado Federado baseado em AirComp (AirFEEL), utilizando uma única forma de onda compartilhada para sensoriamento e computação.
2. Reformulação Convexa: Transforma com sucesso um problema conjunto não convexo de potência-escala em um problema convexo equivalente por meio de uma nova transformação de variáveis.
3. Algoritmo Ótimo Analítico: Desenvolve um algoritmo de tempo polinomial com otimalidade global provável. Diferente de solucionadores de caixa preta, este algoritmo explora a estrutura matemática específica do problema (monotonicidade e conjuntos ativos) para encontrar a solução exata.
4. Análise de Robustez: Fornece garantias teóricas de que o algoritmo permanece estável mesmo com imprecisões numéricas no processo de busca de raiz.

4. Resultados de Simulação

Os autores validam sua abordagem usando os conjuntos de dados MNIST e CIFAR-10 sob várias condições de canal e localizações de alvos.

• Verificação de Otimalidade:
  • Comparado com solucionadores NLP prontos para uso (por exemplo, IPOPT), o algoritmo proposto alcança precisão numérica onde a lacuna é frequentemente $<0,01\%$.
  • Solucionadores padrão sem a transformação de variável específica frequentemente falham em alcançar o ótimo global ou ficam presos em mínimos locais.
• Eficiência Computacional:
  • O algoritmo proposto é 10x a 100x mais rápido do que solucionadores comerciais (tempo de execução médio de ~0,001s vs. ~0,01s).
• Desempenho vs. Baselines:
  • Forçamento Zero (ZF): Altamente sensível a desvanecimentos profundos; o desempenho degrada significativamente quando o alvo está próximo de grupos específicos de EDs.
  • Potência de Sensoriamento Gananciosa: Satisfaz as restrições de sensoriamento, mas sacrifica a precisão do FL, especialmente em cenários de dados não-i.i.d.
  • Método Proposto: Consistentemente alcança o menor MSE de agregação e a maior precisão de teste, correspondendo de perto ao limite inferior "Sem Sensoriamento". Isso demonstra que a restrição de sensoriamento pode ser satisfeita com impacto negligenciável no desempenho do FL quando a potência é otimizada conjuntamente.

5. Significado

• Habilitador 6G: Este trabalho fornece uma solução fundamental para sistemas 6G de Sensoriamento e Comunicação Integrados (ISAC), abordando especificamente o nível de integração mais "apertado" (Sig-ISCC), onde sensoriamento e comunicação compartilham exatamente a mesma forma de onda.
• Eficiência de Recursos: Demonstra que sensoriamento e aprendizado conjuntos podem ser realizados sem sobrecarga significativa de recursos ou degradação de desempenho, desde que seja utilizada alocação ótima de recursos.
• Implantação Prática: O desenvolvimento de um algoritmo de baixa complexidade e tempo polinomial torna a implementação em tempo real viável para redes de borda, superando os problemas de latência e confiabilidade associados a solucionadores numéricos iterativos.
• Insight Teórico: O artigo preenche a lacuna entre a otimização convexa teórica e o design prático de sistemas sem fio, mostrando como propriedades analíticas podem ser aproveitadas para criar algoritmos de controle robustos e de alto desempenho para aprendizado distribuído.