面向联邦学习的6G大规模物联网资源跳跃多址方案

随着移动设备的广泛应用和大数据的快速增长，联邦学习作为一种在分散数据环境中进行机器学习的新兴范式，吸引了越来越多的关注。同时，5G/6G均将大规模物联网场景作为其核心场景之一，以通过实现大规模设备连接来完成未来海量分散数据的实时传输。因此，6G大规模物联网可以为联邦学习中海量终端的数据处理提供有力支撑。多址技术是6G大规模物联网实现海量连接的关键，现有研究提出了多种面向大规模物联网的新型多址方案，其中资源跳跃多址方案考虑信道资源的跳跃，通过给不同用户分配不同的资源跳跃图案从而实现海量用户接入。提出了资源跳跃多址与联邦学习的结合方案，将联邦学习客户端的通信信道划分为多个子信道，然后根据其数据特征和计算资源分配资源跳跃图案。结果表明，所提出的结合方案不仅能够提高联邦学习模型的训练速度，而且能够有效保护用户数据的隐私。