FedSwitch：面向无线信道区域分类的个性化联邦学习方案

无线物联网场景中，基站可通过本地采集的信道状态信息(CSI)推断发射机所属区域，从而支持物理层认证与发射源防伪等安全任务。然而，将分散在各基站的信道测量数据集中到云端训练，不仅会带来显著的通信开销，还需要共享与位置高度相关的射频指纹，存在隐私泄露风险。

为解决上述问题，研究者提出了一种边缘原生的联邦学习框架，多个基站通过参数服务器协作训练共享分类器，全程不暴露原始测量数据。考虑到不同基站所处的位置和传播环境差异较大、统计分布存在明显异质性，研究团队进一步设计了名为FedSwitch的个性化联邦学习算法：当协同训练的损失不再下降时，节点会自动从全局协作模式切换到本地微调阶段，从而在共享知识与本地适配之间取得平衡。

论文还为协同训练阶段提供了理论收敛保证，并推导了分类误差与基站间统计差异之间的解析界。在合成信道测量数据上的实验表明，FedSwitch相较于标准联邦学习基线在区域分类准确率上取得了明显提升。该研究展示了联邦学习与无线感知结合在保护位置隐私的同时提升物理层安全能力的潜力。

【空音视角】 对于WiFi感知与非接触监测从业者而言，这项工作具有双重参考价值。联邦学习天然契合家庭、医院、养老机构等敏感场景的部署需求，既避免将原始信道波形上传云端，又能借助多节点数据提升模型泛化能力，这与隐私敏感的睡眠呼吸监测、跌倒检测场景高度一致。FedSwitch针对终端统计分布差异设计的自适应切换机制，也直指实际部署中设备异构、环境异质的核心痛点。随着边缘算力提升和隐私法规趋严，将联邦学习与WiFi/CSI感知结合，有望成为智慧养老与智慧病房方案中的重要技术路径。

—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2610.03523