虽然空中联邦学习（AirFL，AirComp-enabled federated learning）提高了无线联邦学习的通信效率，但其并没有解决非独立同分布的本地数据集的数据异质性问题。这种数据异质性阻碍了单一全局模型的泛化性能。目前，已有一些初步的工作通过聚类算法设计个性化AirFL框架，在参数服务器的协调下针对不同集群训练不同的模型。然而，这种个性化框架需要大规模接收天线来对抗集群间干扰，导致硬件成本大幅上升。
本文通过引入低硬件成本的智能超表面（RIS，reconfigurable intelligent surface）技术，设计新型个性化空中联邦学习物理层聚合方式，实现不同集群间的统计干扰消除，并促进无线多集群计算任务的同时进行，从而提升个性化AirFL的效率。
本文创新点如下：
(1) 通过部署分布式协作RIS，在个性化AirFL框架中实现不同集群间的统计干扰消除；
(2) 分别从一阶矩和二阶矩最优的角度提出了具有不同功率控制和去噪因子设计的个性化聚合方案，以增强FL收敛性；
(3) 通过数值仿真验证了提出的个性化AirFL聚合方式相比基线的优越性能。
上图描绘了不同值PK时归一化MSE与RIS反射元件数N的关系。观察可得，随着PK的增加，MSE性能的改善很小。这是因为发射功率的增加不仅会放大有用信号，还会放大干扰。此外，提出的个性化AirFL聚合方式的MSE在对数尺度上随N的增大而线性下降。这种现象随着PK的增加而变得更加明显。此外，随着N和PK的增加，利用随机RIS相移的基线未能获得任何有效的性能增强，这证明了在个性化AirFL传输设计中RIS相移配置的重要性。
推荐阅读
面向6G的智能超表面辅助调控无线通信环境: 反射，调制与安全
