FedRIC：O-RAN 硬时延约束下的联邦学习框架

Adhwaa Al-Chaab、Ayman Younis、Dario Pompili 提出并实验验证了 FedRIC——一个面向 O-RAN 中 RAN Intelligent Controller 的异构感知联邦学习框架，论文已被 IEEE ISAIA 2026 会议接收。 FedRIC 将 O-RAN 中的联邦学习建模为最小化通信成本与学习时间的 MINLP，并拆分为 UE 分配、计算与带宽分配两个子问题，结合压缩梯度下降、切片感知资源分配与多层层次聚合。作者称实验中 FedRIC 在收敛速度、通信成本和时延上优于 FedCOM、FedAvg 和 QFedAvg。

AI 根据报道生成 · 58 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。