FedAMP

新的DFL框架解决了语义通信网络中的偏差问题

研究人员开发了一种新颖的去中心化联邦学习（DFL）框架，旨在减轻异构、多任务语义通信网络中的负迁移和过度共识偏差。所提出的系统采用策略驱动的多路径路由机制，将任务特定特征与共享表示分离，从而保留局部保真度。此外，“边通信边聚合”协议根据任务亲和度校准共识矩阵，使系统能够吸收互补知识，同时阻止不匹配的参数更新。通过Lyapunov漂移分析，该框架确定了平衡拓扑混合和过度共识偏差的最佳聚合深度，从而显著优于现有方法。