本文研究了采用无人机群集进行机器学习分类任务的性能，使用联邦学习方法对领导者和群体成员之间进行学习模型的改进，避免了过多的空地和地空通信。同时考虑 UAV 的能量约束和类别不平衡问题，与多个基准算法相比，显示出了在分类准确性、能量消耗和 UAV 可用性方面的大幅提升。

Aug, 2021

本文提出了两种基于去中心化的联邦学习聚合方法 —— 可交换联邦学习、交替式联邦学习，用于解决现有模型机器学习模型在无人机领域数据隐私、通信成本、以及能源等方面存在的问题，通过控制本地训练轮数、本地通信以及全局通信的方式，可有效地控制能源消耗和通信成本，模拟结果表明该方法在运行稳定性、能源消耗和通信成本等方面优于现有的基准方法。

Apr, 2023

本文提出了一个多无人机网络上异步联邦学习框架，避免将原始数据发送到无人机服务器中进行模型训练，同时提出了异步优势演员 - 评论家算法并采用设备选择策略、无人机部署和资源管理算法来提高学习收敛速度和准确性。仿真结果表明，相比于现有解决方案，我们的方案实现了更高的学习准确度和更快的联邦执行时间。

Nov, 2020

通过统计无人机增强无线传感器网络的统计特性，并利用多目标多臂赌博机理论开发了一种模型和解决方案，以在最大化网络覆盖的同时最小化联邦学习延迟；此外，还提出了另一种解决方案，特别适用于具有严格能量约束的大动作集，在每轮中逐步消除一个或多个动作，使用标量化的最佳臂识别算法找到最佳臂，使期望回报与期望能量消耗之比最大化。同时，导出了多目标和成本感知算法的误差概率的上界，在数值结果中展示了我们的方法的有效性。

Aug, 2023

研究使用无人机队列跨越一组地理分散、资源受限的设备集来训练机器学习模型；其中，关于设备群集的时间变化数据异构性和计算资源不足性，推动了我们方法的四个关键部分：（i）分层的领导机、工作机和协调机无人机群体、（ii）个性化联合学习 (HN-PFL) 的分层嵌套，一种跨工作 - 领导 - 核心网络层次的分布式机器学习框架，（iii）通过在无人机群体之间进行模型训练，合作无人机资源汇集以解决设备的计算不足问题，（iv）模型 / 概念漂移来对时间变化的数据分布进行建模，同时考虑微观（即无人机级别）和宏观（即群体级别）系统设计，微观水平上，我们提出了网络感知 HN-PFL，在该方案中，我们在群体内分布式地编排无人机，以优化能耗和机器学习模型性能，并具有性能保证。 在宏观水平上，我们关注群体轨迹和学习持续时间设计，将其作为顺序决策问题并通过深度强化学习来解决。通过模拟，证明了我们方法在机器学习性能、网络资源节约和群体轨迹效率方面的改进。

Jun, 2021

本研究旨在探讨在联邦学习中，一种针对无人机的在线轨迹设计问题，其中多个不同的社区存在，每个社区被唯一的任务定义所学习。在这种情况下，每个社区的空间分布设备通过无人机提供的无线链接协作贡献于对其社区模型的培训。通过引入一种启发式指标，我们提出了使用凸优化技术和图论一起优化无人机轨迹和设备调度的代理目标，以加速所有任务的学习进程，并且通过模拟实验证明了我们的解决方案相对于其他手动选择的静态和移动无人机部署基线的卓越表现。

Jun, 2022

本文综述了分布式学习算法在无人机群体中的应用，重点分析了其在通信服务、无线资源分配、用户分配、感知和卫星通信等方面的应用，并介绍了其在无线通信系统中的若干先进应用，并讨论了使用 DL-enable 的 UAV 群组所能解决的问题和挑战，同时提出未来的研究方向和开放性问题。

Jan, 2023

区块链集群化和可扩展联邦学习（BCS-FL）框架通过将无人机网络分区成不同的集群，利用集群头无人机（CHs）进行协调，以建立连接图，从而提高了大规模无人机网络中联邦学习（FL）的去中心化、协调性、可扩展性和效率。

Feb, 2024

我们在本论文中提出了一种数据驱动的框架，用于协同宽带频谱感知和调度网络化的无人机，其充当二级用户来机会性地利用检测到的 "频谱空洞"。我们的框架包括三个主要阶段：模型训练阶段，协同频谱推断阶段以及频谱调度阶段。我们还提出了一个多联邦学习架构，将无线数据集生成直接集成到联邦学习训练过程中。我们利用强化学习解决方案动态分配检测到的频谱空洞给二级用户。通过建立综合的仿真框架来评估所提出的方法，我们能够生成近乎真实的合成数据集，用于发展基于机器学习 / 人工智能的航空设备频谱管理解决方案。

Jun, 2024

我们提出了一种新的客户端选择方案来增强收敛性，通过优先考虑快速 UAV 和高可靠性评分，同时从训练中排除恶意 UAV，通过实验评估了该方案在不同攻击场景中的抵抗性和模型准确性，并展示了与基准方法相比所提出方法的性能优势。

Dec, 2023