⚡ electrical engineering

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

本文提出了一种具有解析特性的多项式时间最优功率控制算法，用于联邦学习中的上行信号级集成感知、计算与通信（Sig-ISCC），该算法通过非凸联合功率与接收缩放问题的等价凸重构，在满足联合目标检测要求的同时最小化聚合失真。

原作者： Paul Zheng, Yao Zhu, Xiaopeng Yuan, Yulin Hu, Anke Schmeink

发布于 2026-04-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Paul Zheng, Yao Zhu, Xiaopeng Yuan, Yulin Hu, Anke Schmeink

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一座繁忙的城市，成千上万的智能设备（如智能手机或传感器）正试图同时完成三件事：与中央服务器对话、思考（处理数据以从中学习）以及观察（检测附近特定的物体或目标）。

通常，同时完成这三项任务需要三套不同的工具、三组不同的无线电波，并造成大量能量浪费。本文提出了一种巧妙的方法，仅利用单一信号即可同时完成这三项任务，就像为无线电波配备了一把瑞士军刀。

以下是他们想法的分解，辅以简单的类比：

1. 一波三用

作者正在研究一种名为Sig-ISCC（信号级集成感知、计算与通信）的系统。

通信：设备需要向中央“老板”（服务器）发送更新，以帮助训练人工智能（AI）。
计算：设备不发送原始数据，而是发送“梯度更新”（关于如何改进 AI 的数学提示）。这是通过空口计算（AirComp）实现的。这就像合唱团：所有人同时唱出自己的部分；前方的麦克风听不到单个声音，而是听到整个合唱团的平均值。
感知：设备还需要像雷达一样，通过监听自身的回波来检测特定目标（如汽车或行人）。

挑战：本文提出了一个问题：“如何调整每个设备的音量（功率），使得合唱团听起来完美（服务于 AI），同时回波又足够响亮以发现目标？”

2. 音量控制难题

在普通合唱团中，如果某位歌手距离较远或嗓音不佳，他们可能需要唱得更大声才能被听见。但在“空口计算”合唱团中，如果一个人唱得太响，就会淹没其他人，破坏平均值。

冲突：为了发现目标（感知），某些设备可能需要大声喊叫。但为了获得干净的 AI 平均值（计算），每个人都必须保持平衡。
目标：作者希望为每个设备找到完美的音量设置。他们旨在最小化 AI 学习过程中的“噪声”，同时确保目标能被确切检测到。

3. 数学魔术

寻找这些完美音量的问题极其困难。这就像试图解开一个拼图，其中拼图的形状会随着你的移动而改变。其背后的数学是“非凸”的，用一种花哨的说法就是：这是一个崎岖不平、令人困惑的景观，布满了许多局部陷阱，你可能会误以为找到了最佳解而陷入其中，但实际上并非如此。

解决方案：
作者发现了一种数学变换。想象将那个崎岖不平、令人困惑的景观压平，变成一个光滑完美的碗。

一旦他们“压平”了这个问题，就能证明只有一个真正的底部（即最优解）。
随后，他们构建了一种特定算法（逐步的配方）来快速找到这个底部。这就像拥有一个确切知道最低点在哪里的 GPS，而不是仅仅靠猜测四处走动。

4. 结果：更快、更智能

该团队将他们新的"GPS"与标准的现成数学求解器（工程师通常使用的通用工具）进行了测试。

速度：他们的方法平均快了约10 倍。在某些情况下，速度快了 100 倍。这就像解决一个拼图只需 1 秒，而普通方法需要 10 秒。
准确性：他们的方法每次都找到了真正的最佳解。而通用工具往往陷入“足够好”的解中，这些解实际上并非最佳。
性能：当他们使用这些完美的音量设置来训练 AI（在识别手写数字或图像等任务上）时，AI 的学习效果与完全没有感知要求时一样好。其他方法（如单纯以最大音量喊叫或使用简单的平衡策略）会导致 AI 学习变慢或犯更多错误。

总结

本文旨在教导一组设备在像雷达一样运作的同时，完美和谐地歌唱。作者想出了一个数学技巧，将一个混乱、看似不可能的问题转化为一个清晰、可解的问题。他们的成果是一种快速、可靠的方法，用于为每个设备设定音量，确保 AI 完美学习且目标被找到，同时不浪费能量或时间。

以下是论文《联邦学习中信号级集成感知、计算与通信的解析表征最优功率控制》的详细技术总结。

1. 问题陈述

本文解决了在联邦学习（FL）框架内，在信号级集成三个关键功能——感知、计算与通信（ISCC）的挑战。具体而言，它聚焦于信号级 ISCC（Sig-ISCC），即单个波形同时支持：

空口计算（AirComp）： 将边缘设备（EDs）的模型更新（梯度）聚合到基站（BS）以进行联邦学习。
联合目标检测： 利用相同发射信号的回波来感知目标。

核心冲突：

AirComp 目标： 要求来自所有 EDs 的接收信号进行功率对齐（具体而言， $h_k \sqrt{p_k} \approx \text{constant}$ ），以最小化聚合失真（均方误差，MSE）。这通常倾向于让信道条件较差的设备以更高的功率发射。
感知目标： 要求基站处具有特定的聚合信噪比（SNR）以检测目标。这施加了一个关于发射功率加权和的约束（ $\sum p_k b_k \ge \eta_D$ ），其中 $b_k$ 取决于雷达散射截面和路径损耗。
挑战： 感知约束打破了标准 AirComp 功率控制的单调性。一个具有较大感知系数（ $b_k$ ）的设备可能需要高功率来满足感知约束，即使其信道增益（ $h_k$ ）较差，这将严重降低 AirComp 的聚合精度。本文旨在寻找联合最优发射功率（ $p_k$ ）和接收缩放因子（ $\alpha$ ），在严格满足联合目标检测要求的同时最小化 AirComp 失真。

2. 方法论

系统模型

FL 框架： 标准的 FedAvg，包含 $K$ 个边缘设备。基站通过 AirComp 聚合梯度。
感知模型： 协调联合检测，其中 EDs 发射信号并接收回波，基站融合处理后的信号以执行二元假设检验（目标存在 vs. 不存在）。检测概率与感知度量 $E_I = \sum p_k b_k$ 相关联。
优化目标： 最小化 AirComp MSE（决定 FL 收敛速度），受限于：
1. 联合感知约束： $\sum p_k b_k \ge \eta_D$ 。
2. 最大功率约束： $0 \le p_k \le P_{max}$ 。

数学表述与变换

初始问题由于目标函数中变量 $p_k$ 和 $\alpha$ 的耦合而非凸。

变量变换： 作者引入了双射变量变换： $x_k = p_k \alpha$ 。这将原始非凸问题（P1）转化为一个等价的凸优化问题（P2）。
凸性： 新的目标函数是凸的，且约束变为仿射，从而允许进行严格的理论分析。

解析解与算法

作者没有仅依赖数值求解器，而是推导出了解析表征的最优解：

KKT 条件： 他们分析了该凸问题的 Karush-Kuhn-Tucker（KKT）条件。
结构特性： 他们证明了最优解具有特定的结构，其中设备被划分为两个集合：
- 以最大功率（ $P_{max}$ ）发射的设备。
- 以由对偶变量 $\lambda^*$ （与感知约束相关）确定的特定功率水平发射的设备。
单调性： 他们确立了对偶变量 $\lambda$ 与系统参数之间的关系是单调的。
算法 1（多项式时间）：
- 该算法系统地搜索可能的“活跃集”（处于最大功率的设备组合）。
- 对于每个候选集，它利用单调性属性求解 $\lambda^*$ 的求根问题。
- 复杂度： 该算法的运行时间为 $O(|K|^3)$ ，是多项式级的，且显著快于通用的非线性规划（NLP）求解器。
- 鲁棒性： 该方法被证明对求根步骤中的数值误差具有鲁棒性。

3. 主要贡献

首个用于 FL 的 Sig-ISCC 框架： 提出了首个基于 AirComp 的联邦学习（AirFEEL）中信号级 ISCC 的上行功率控制框架，利用单个共享波形同时用于感知和计算。
凸重构： 通过新颖的变量变换，成功将非凸的联合功率缩放问题转化为等价的凸问题。
解析最优算法： 开发了一种具有可证明全局最优性的多项式时间算法。与黑盒求解器不同，该算法利用问题的特定数学结构（单调性和活跃集）来寻找精确解。
鲁棒性分析： 提供了理论保证，证明即使求根过程中存在数值不准确性，该算法仍能保持稳定。

4. 仿真结果

作者在各种信道条件和目标位置下，使用 MNIST 和 CIFAR-10 数据集验证了他们的方法。

最优性验证：
- 与现成的 NLP 求解器（如 IPOPT）相比，所提出的算法实现了数值精度，差距通常小于 0.01%。
- 没有特定变量变换的标准求解器通常无法达到全局最优或陷入局部极小值。
计算效率：
- 所提出的算法比商业求解器快 10 到 100 倍（平均运行时间约 0.001 秒 vs. 约 0.01 秒）。
与基线的性能对比：
- 迫零（ZF）： 对深度衰落高度敏感；当目标靠近特定 ED 组时，性能显著下降。
- 贪婪感知功率： 满足感知约束但牺牲了 FL 精度，特别是在非独立同分布（non-i.i.d.）数据场景下。
- 所提方法： 始终实现最低的聚合 MSE和最高的测试精度，紧密匹配“无感知”下界。这表明，当功率联合优化时，可以在对 FL 性能影响可忽略的情况下满足感知约束。

5. 意义

6G 赋能者： 这项工作为 6G 集成感知与通信（ISAC） 系统提供了基础性解决方案，具体解决了“最紧密”级别的集成（Sig-ISCC），即感知和通信共享完全相同的波形。
资源效率： 它证明了，只要使用最优的资源分配，联合感知和学习可以在没有显著资源开销或性能下降的情况下进行。
实际部署： 开发了一种低复杂度、多项式时间的算法，使得边缘网络中的实时实施成为可能，克服了与迭代数值求解器相关的延迟和可靠性问题。
理论洞察： 本文弥合了理论凸优化与实际无线系统设计之间的差距，展示了如何利用解析特性来构建用于分布式学习的鲁棒、高性能控制算法。