NOMA+AIGC传输方案

学习误差显著降低

首次将NOMA与AIGC结合用于无线联邦学习，通过非正交多址接入高效传输合成数据与本地模型，克服数据稀缺与异构问题。

徐鼎 · Duan, Lingjie · 朱洪波

IEEE Transactions on Wireless Communications 2025

技术优势

学习误差显著降低

通过联合优化合成数据分布与资源分配，直接最小化全局学习误差，提升模型精度。

性能超越传统多址方案

利用NOMA实现高效传输，相比基于FDMA/TDMA的AIGC增强方案，学习性能更优。

低复杂度可落地

通过块坐标下降法和解析方法得到低复杂度局部最优解，部分有闭式表达，便于实际实现。

应用场景

• 边缘智能：通过NOMA+AIGC高效传输合成数据，缓解边缘设备数据不足，提升边缘模型训练性能。
• 分布式机器学习：利用NOMA加速分布式训练中的模型与数据交换，降低通信开销，提高学习效率。
• 无线网络资源分配：联合优化合成数据分布与通信计算资源，在无线资源受限下最小化学习误差。
• 多址接入：采用NOMA替代传统正交多址，允许多设备同时传输，提高频谱效率和传输速率。
• 联邦学习：通过NOMA高效上传本地模型和下载合成数据，解决数据异构问题，加速联邦学习收敛。