联邦学习间接通信中的客户端分配和无人机路径规划

Apr, 2023

联邦学习间接通信中的客户端分配和无人机路径规划

Joint Client Assignment and UAV Route Planning for Indirect-Communication Federated Learning

Jieming Bian, Cong Shen, Jie Xu

TL;DR提出了一种名为 FedEx 的框架，该框架使用移动运输工具（如无人机）来建立服务器和客户端之间的间接通信通道，实现了联邦学习的远程访问，并提出了两种算法 FedEx-Sync 和 FedEx-Async，以解决运输工具级别上的同步和异步学习，以及双层优化算法，以解决客户分配和路径规划问题。制定实验验证 FedEx 的一致结果证明其有效性。

Abstract

federated learning (FL) is a machine learning approach that enables the creation of shared models for powerful applications while allowing data to remain on devices. This approach provides benefits such as improved data privacy, security, and reduced latency. However, in some systems,

federated learning fedex indirect communication uavs optimization

发现论文，激发创造

通过间接的服务器 - 客户端通信实现联邦学习

本文提出了一种基于移动传输器的联邦学习框架 FedEx (FL via Model Express Delivery)，旨在解决缺乏适当通信基础设施的实际应用中数据共享的问题。FedEx-Sync 和 FedEx-Async 两种算法分别采用同步和异步调度策略，并通过收敛性分析指导客户端分配和传输路线设计。在两个公共数据集的模拟网络上，我们通过实验证明了 FedEx 的性能。

Feb, 2023

面向无人机网络的分散联邦学习方法，以减少通信成本和能量消耗

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

天空联邦学习：使用 UAV 集群进行联合功率分配和调度

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

使用隐私保护联邦学习的无人机网络：基于学习的联合调度和资源管理

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

无人机辅助多团体联邦学习

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

面向非独立同分布数据的可靠参与式无人机边缘学习

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

互联网无人机图像自动识别的鲁棒半监督联邦学习

利用半监督联邦学习框架和模型参数混合策略来保护数据隐私实现无人机图像识别；根据不同相机模块、地域环境等数据的统计异质性问题，提出基于客户端频率的聚合规则来调整对应本地模型的权重。

Jan, 2022

针对连接到无人机编排器的自主车辆联邦学习中的异构性问题

本文提出了一种基于飞行器交通监控系统的反应性方法，通过合理分配无线资源，提高联邦学习中针对特定关键对象类的学习，应用于计算机视觉任务，并且证明了该方法通过针对不同学习器的贡献可以提高系统的准确性，尤其是当联邦学习的对象类在网络中缺乏代表性时。

Aug, 2021

联邦学习：提高通信效率的策略

本文探讨联邦学习中的机器学习算法以及通过结构化更新和草图更新的方式来降低通信成本，实验结果表明这两种方法可以将通信成本降低两个数量级。

Oct, 2016

具有上下文客户端选择的 V2X 增强联邦学习的合作智能交通系统

本研究提出了一个用于交通运输系统的上下文客户端选择通道，提高了联邦学习的性能，该通道使用车到一切 (V2X) 传输的信息来选择客户端，并根据预测的通信延迟来选择最小延迟的客户端。

May, 2023