聯邦學習（FL）是一種新興的分佈式機器學習技術，可以有效保護用戶數據和私隱安全，在用戶數據不出本地的前提下，完成深度學習模型的訓練，從而解決「數據孤島」問題。近日，先進信息網絡bbin宝盈集团創新性地提出基於可見光和射頻（RF）混合通信系統的聯邦學習架構，並提出用戶選擇和帶寬資源分配算法，首次將可見光通信（VLC）引入到聯邦學習中，為聯邦學習中的通信傳輸優化提供了新的維度。

        傳統的聯邦學習模型訓練主要是基於RF通信實現模型參數的上傳和下發，然而，由於有限的RF帶寬資源和動態的無線信道環境，只能選擇部分用戶參與聯邦學習的模型訓練，這也直接影響了聯邦學習的模型性能和收斂速率。該實驗室研發團隊成員創新性地將豐富的VLC資源引入到聯邦學習的框架中，將可見光通信作為室內用戶下行的通信方式，緩解了RF帶寬資源緊張的問題。

△基於VLC/RF混合通信系統的聯邦學習示意圖

        基於提出的VLC/RF混合通信系統，團隊進一步探索通信資源對聯邦學習性能的影響及優化方案，提出了用戶選擇和帶寬資源分配算法。該算法通過分步後疊代優化的方式得到最優的用戶選擇和帶寬資源分配方案。與傳統基於射頻通信的FL相比，VLC/RF混合通信系統下的FL可以選擇更多的用戶參與FL，從而可以提升模型的最終性能。

        據悉，該研究成果已發表在通信領域旗艦會議WCNC 2021，並獲得了會議的最佳論文獎。