联邦学习（FL）是一种新兴的分布式机器学习技术，可以有效保护用户数据和隐私安全，在用户数据不出本地的前提下，完成深度学习模型的训练，从而解决“数据孤岛”问题。近日，先进信息网络北京实验室创新性地提出基于可见光和射频（RF）混合通信系统的联邦学习架构，并提出用户选择和带宽资源分配算法，首次将可见光通信（VLC）引入到联邦学习中，为联邦学习中的通信传输优化提供了新的维度。

        传统的联邦学习模型训练主要是基于RF通信实现模型参数的上传和下发，然而，由于有限的RF带宽资源和动态的无线信道环境，只能选择部分用户参与联邦学习的模型训练，这也直接影响了联邦学习的模型性能和收敛速率。该实验室研发团队成员创新性地将丰富的VLC资源引入到联邦学习的框架中，将可见光通信作为室内用户下行的通信方式，缓解了RF带宽资源紧张的问题。

△基于VLC/RF混合通信系统的联邦学习示意图

        基于提出的VLC/RF混合通信系统，团队进一步探索通信资源对联邦学习性能的影响及优化方案，提出了用户选择和带宽资源分配算法。该算法通过分步后迭代优化的方式得到最优的用户选择和带宽资源分配方案。与传统基于射频通信的FL相比，VLC/RF混合通信系统下的FL可以选择更多的用户参与FL，从而可以提升模型的最终性能。

        据悉，该研究成果已发表在通信领域旗舰会议WCNC 2021，并获得了会议的最佳论文奖。