As Federated Learning (FL) emerges as a privacy-preserving alternative to centralized machine learning, ensuring communication efficiency becomes increasingly crucial. This paper examines two promising strategies: orthogonal FL utilizing sequential transmissions and Over-the-Air FL, where signals are combined in the air simultaneously. Their performance is evaluated across several key parameters to uncover trade-offs between accuracy and resource usage. A simulation framework was designed to assess convergence behavior under varying dataset complexities and data distributions. While orthogonal FL achieves higher accuracy and greater stability, Over-the-Air FL offers substantial communication savings, particularly in noise-resilient scenarios. These findings highlight important trade-offs between model performance and communication efficiency.

I takt med att Federated Learning (FL) växer fram som ett integritetssäkert alternativ till centraliserad maskininlärning blir kommunikationseffektivitet allt viktigare. Denna rapport undersöker två lovande strategier: ortogonal FL med sekventiella överföringar samt Over-the-Air FL, där signaler kombineras direkt i luften genom samtidig överföring. Deras prestanda utvärderas utifrån flera centrala parametrar för att identifiera avvägningar mellan noggrannhet och resursanvändning. Ett simuleringsramverk har utformats för att analysera konvergensbeteende vid varierande datakomplexitet och datadistributioner. Även om ortogonal FL uppnår högre noggrannhet och större stabilitet, erbjuder Over-the-Air FL betydande kommunikationsvinster, särskilt i brusresistenta scenarier. Resultaten belyser viktiga avvägningar mellan modellprestanda och kommunikationseffektivitet.