本文提出了一种利用分布式联邦学习算法实现无人机群体中集中式机器学习的新框架并对其进行了收敛性分析，同时，提出了一种联合功率分配和调度设计来优化联邦学习的收敛速率，同时考虑了能量消耗和延迟要求。仿真结果验证了FL收敛分析的有效性，并表明联合设计策略可以将收敛所需通信轮数比基准设计减少35％。

Feb, 2020

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

本文提出了一种基于强化学习的分布式探索方法，通过通信渠道实现上下文感知，最小化移动，协调无人机群体行动，以实现监控和遥感应用。实验结果表明，与启发式方法相比，该方法在非均匀分布的情况下表现更好，且具有良好的容错性和适应性。

Mar, 2021

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

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

本文提出了一种新的基于模型的联邦多智能体强化学习算法，用于协调多个无人机在数据收集任务中，以解决传统多智能体强化学习算法需要大量真实训练数据的问题，并在各个方面取得了良好的表现。

Jun, 2023

通过使用数据高效节能的参与者选择策略，本文研究了无人机边缘联邦学习的问题，以提高模型的准确性，并解决无人机的能源消耗问题。

Aug, 2023

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