When NOMA Meets AIGC: Enhanced WirelessFederated Learning

摘要

1. 研究背景

论文关注的是无线联邦学习（Wireless Federated Learning, WFL） ，这是一种让多个设备在不共享原始数据的情况下，通过本地训练和模型上传来协同训练全局模型的技术。

但在实际中，WFL 面临数据稀缺与异质性问题：各设备上的数据量有限且分布不均，这会导致整体模型性能下降。

2. 引入 AIGC 解决数据问题

作者提出利用人工智能生成内容（AIGC）技术来生成合成数据 ，以弥补各设备本地数据不足，从而提升模型训练效果。

不过，这带来了新的挑战------下载合成数据和上传本地模型都非常耗时，尤其当设备数量很多时。

3. 使用 NOMA 提高通信效率

为解决通信效率低的问题，论文提出采用非正交多址接入（NOMA）技术，使得多个设备可以同时进行数据和模型传输，从而加快整个训练与数据交换过程。

4. 提出的创新点

论文首次将 AIGC + NOMA + WFL 三者结合起来，以最大化提升学习性能 。

研究目标是联合优化合成数据分配、双向通信资源和计算资源分配 ，以最小化全局学习误差。

5. 方法与算法

该优化问题属于混合整数非线性规划（MINLP） ，求最优解非常困难。

作者采用：

块坐标下降（BCD）法来分解变量；
解析近似法 得到低复杂度的局部最优解（部分为闭式解）。

6. 实验与结果

通过大量仿真验证，所提方案在学习性能上优于传统方案，包括基于频分/时分多址（FDMA/TDMA）的 AIGC 增强型 WFL 方法。

引言

1. 研究背景：IoT 与分布式机器学习的需求

随着 物联网（IoT）设备数量爆炸式增长，产生了海量数据，需要通过机器学习来进行分析，用于支持增强现实（AR）、虚拟现实（VR）等应用。
但由于无线通信资源有限，将所有数据上传到数据中心进行集中式训练是不现实的。
幸运的是，设备的计算能力不断提升（芯片技术进步） ，因此可以采用分布式机器学习的方式，让设备在本地训练模型。

⚙️ 2. 联邦学习（FL）与无线联邦学习（WFL）

联邦学习（Federated Learning, FL）允许多个设备在不上传原始数据的情况下协同训练全局模型，从而保护隐私。
无线联邦学习（WFL）是 FL 的无线扩展，设备通过带宽受限、能量有限的无线信道与中央服务器通信。
在 WFL 中，流程是：
1. 服务器下发全局模型；
2. 各设备用本地数据独立训练；
3. 上传本地模型；
4. 服务器聚合成新的全局模型；
5. 重复迭代直到模型收敛。
因此，**无线传输性能（带宽、能耗等）**对 WFL 效果有关键影响，需要进行特别设计与优化。

⚠️ 3. WFL 面临的问题：数据稀缺与异质性

各设备的数据 数量有限且分布不均（data scarcity & heterogeneity）；
某些设备可能缺少特定类型的数据；
这会导致全局模型的收敛精度下降。

已有解决思路：

设备选择（device selection）：只选择部分设备参与聚合；
- 缺点：引入公平性问题，弱设备可能被长期忽略；
数据补充（data collection）：让设备去采集缺失数据；
- 缺点：高延迟、耗能大，对资源受限设备不适用。

🧠 4. 解决思路：引入 AIGC 生成合成数据

AIGC（Artificial Intelligence Generated Content） 是一种自动生成数据的技术，可以帮助设备补充缺失的数据类型；
AIGC 能生成多种形式的数据（文本、图像、视频等），使用的模型包括：
- 生成对抗网络（GAN）
- 变分自编码器（VAE）
- 扩散模型（Diffusion Models）；
由于 AIGC 计算量大，可部署在云端 AIGC 服务器；
各设备可以请求云端生成特定类型的合成数据并下载，用于本地训练；
这样既能节省数据采集时间与能耗 ，又能缓解数据稀缺与分布不均的问题。

动机和贡献

🧩 一、研究动机（Motivation）

作者首先指出：

在 无线联邦学习（WFL） 中，由于设备异构、数据有限且分布不均，可以利用 AIGC（人工智能生成内容） 来生成缺失的数据，从而提升本地训练效果和全局模型的收敛性能。

但现有研究仍存在三个关键问题：

1️⃣ 现有工作主要聚焦于有线 FL，而非无线 WFL

多数 AIGC+FL 研究（如 [34]--[36]）只考虑有线通信环境；
未考虑无线环境下的关键挑战，如：
- 带宽受限；
- 信道衰落与干扰；
因此，现有方法不适用于无线 IoT 场景，而 IoT 环境正是 WFL 的典型应用。

2️⃣ 忽略了合成数据传输的时间开销

唯一涉及 AIGC 增强 WFL 的工作 [33] 忽略了从 AIGC 服务器下载合成数据的延迟；
实际中，数据下载需要时间，会形成数据量与效率的权衡：
- 更多合成数据 → 模型精度更高；
- 但传输延迟变长 → 系统效率下降；
因此需要优化合成数据生成与分配策略以平衡精度与效率。

3️⃣ 使用低效的多址接入方式（FDMA）

$33\] 使用 **FDMA（频分多址）** 上传本地模型；$
因此需要采用更高效的传输机制来提升系统性能。

⚙️ 二、本文提出的解决方案

基于上述问题，作者提出了：

一种结合 NOMA 与 AIGC 的增强型 WFL 框架（NOMA+AIGC-enhanced WFL）

主要思想：

采用 NOMA（非正交多址接入） 技术实现：
- 合成数据下载（下行）；
- 本地模型上传（上行）；
同时联合优化以下要素以提升学习性能：
- 合成数据分配；
- 双向通信资源；
- 计算资源（包括设备与基站功率分配、SIC解码顺序等）。

与以往 NOMA-WFL 研究的不同：

传统 NOMA-WFL [19]--[22] 仅考虑模型上传；
本文同时在数据下载与模型上传中使用 NOMA；
解码顺序不仅受信道增益影响，还需考虑数据量与能耗异构性；
优化问题更复杂，涉及多层耦合变量（合成数据分配、功率控制、SIC顺序等）。

与 AIGC-WFL（如 [33]）的区别：

本文使用 NOMA （并行通信），而 [33] 使用 FDMA（正交通信）；
本文显式考虑 AIGC 数据分配与下载过程；
考虑 AIGC 服务器的合成能力有限 与 设备能量约束，对能耗、训练轮数与收敛都有综合影响；
问题更复杂，但也更贴近真实 IoT 场景。

🚀 三、主要贡献（Contributions）

作者总结了三项核心贡献：

① 首次提出 NOMA+AIGC 增强型 WFL 系统模型

设备可通过 NOMA 从 AIGC 服务器下载合成数据；
本地训练后，再通过 NOMA 向 WFL 服务器上传模型；
建立联合优化问题，目标是最小化全局学习误差；
优化变量包括：
- 合成数据分配；
- 时间分配；
- BS 与设备的功率分配；
- SIC 解码顺序；
- 计算频率分配。

② 提出低复杂度算法框架

解析推导部分变量的闭式解（如计算频率、部分功率分配等）；
采用 块坐标下降法（BCD） 分解为两个子问题：
1. 子问题1： 优化合成数据与时间分配（部分可解析求解）；
2. 子问题2： 优化功率分配与 SIC 顺序（递归与闭式解相结合）；
实现了 局部最优解的低复杂度算法。

③ 仿真验证性能优势

仿真结果表明：
- 提出的 NOMA+AIGC 方案显著优于：
  - 传统 FDMA/TDMA+AIGC；
  - 无 AIGC 的 NOMA/FDMA；
- 在以下条件下优势更明显：
  - 基站最大功率更高；
  - 设备能量预算更低；
  - 设备数量更多；
总体上显著提升了全局学习精度与系统效率。