本文档属于类型a，即报告了一项原创研究。以下是针对该研究的学术报告：

主要作者及研究机构
本研究由Gimoon Woo、Hyungbin Kim、Seunghyun Park、Cheolwoo You和Hyunhee Park共同完成。Gimoon Woo、Hyungbin Kim、Cheolwoo You和Hyunhee Park来自韩国Myongji University的信息与通信工程系，Seunghyun Park则来自韩国Hansung University的计算机工程系。该研究于2022年12月13日发表在期刊《Sensors》上，文章标题为《Fairness-Based Multi-AP Coordination Using Federated Learning in Wi-Fi 7》。

学术背景
本研究的主要科学领域是无线局域网（WLAN）和联邦学习（Federated Learning, FL）。随着Wi-Fi 7（IEEE 802.11be）标准的提出，如何在短距离无线通信环境中高效应用联邦学习成为一个重要课题。联邦学习是一种分布式机器学习方法，允许设备在不共享原始数据的情况下协同训练模型。然而，在WLAN环境中，由于每个接入点（Access Point, AP）覆盖的设备数量较少，传统的联邦学习方法难以有效实施。因此，本研究旨在通过多AP协调（Multi-AP Coordination）技术，在Wi-Fi 7环境中实现公平且高效的联邦学习。

研究目标
本研究的目标是提出一种基于公平性的多AP协调方法，以解决在非独立同分布（non-IID）环境中数据分布不均的问题，并通过优化设备能耗和训练时间，提高联邦学习的效率。

详细工作流程
1. 研究设计
本研究提出了一种基于联邦学习的多AP协调方法，适用于Wi-Fi 7环境。该方法的核心思想是通过多AP之间的协作，共享本地模型的权重，从而在设备数量较少的情况下实现全局模型的公平更新。
2. 初始设置
在联邦学习的初始阶段，选择设备数量最少的AP作为主AP（Primary AP, P-AP）。参与联邦学习的设备需处于空闲状态并连接到Wi-Fi网络。
3. 本地模型训练
每个设备在本地训练模型，并将训练后的模型权重发送给其连接的AP。AP之间通过无线链路共享这些权重。
4. 全局模型更新
主AP接收来自其他AP的本地模型权重，并将其聚合为全局模型。全局模型随后被发送给所有AP，用于下一轮训练。
5. 主AP更新
在每一轮联邦学习结束后，根据每个AP的训练时间和设备能耗，选择训练时间最长的AP作为下一轮的主AP，以确保公平性。
6. 实验验证
本研究使用MNIST和Fashion MNIST（FMNIST）数据集进行实验，分别在5个AP和10个AP的环境下测试了所提出方法的性能。实验中，设备数量分别为50和100，每个设备随机分配一个标签以模拟非IID环境。

主要结果
1. 预测准确性
在5个AP的环境中，使用MNIST数据集时，所提出方法的预测准确率达到97.6%，而对比方法（未使用多AP协调）的准确率为96.8%。在10个AP的环境中，所提出方法的准确率进一步提高到97.7%。
2. 收敛性
所提出方法在MNIST和FMNIST数据集上均表现出良好的收敛性，而对比方法在FMNIST数据集上未能收敛。这表明所提出方法在非IID环境中具有更强的鲁棒性。
3. 能耗与公平性
通过考虑设备能耗和训练时间，所提出方法能够公平地分配主AP的角色，从而减少通信成本并提高系统效率。

结论
本研究提出了一种基于联邦学习的多AP协调方法，适用于Wi-Fi 7环境。该方法通过优化设备能耗和训练时间，解决了在非IID环境中数据分布不均的问题，并实现了全局模型的公平更新。实验结果表明，所提出方法在预测准确性和收敛性方面均优于传统方法，具有较高的科学价值和应用潜力。

研究亮点
1. 创新性
本研究首次将联邦学习与Wi-Fi 7的多AP协调技术相结合，提出了一种适用于短距离无线通信环境的联邦学习方法。
2. 公平性
通过动态更新主AP，本研究确保了多AP之间的公平性，避免了某些AP因设备数量或性能差异而导致的资源分配不均。
3. 高效性
所提出方法在减少通信成本的同时，提高了联邦学习的效率和预测准确性，为未来Wi-Fi 7的应用提供了重要参考。

其他有价值的内容
本研究还探讨了在不同信道环境下的性能表现，证明了所提出方法在信道条件较差的情况下仍能保持较高的预测准确性和收敛性。此外，本研究为未来在更复杂环境中应用联邦学习提供了理论基础和技术支持。