无人机增强网络中的联邦学习：联合覆盖和收敛时间优化

Aug, 2023

无人机增强网络中的联邦学习：联合覆盖和收敛时间优化

Federated Learning in UAV-Enhanced Networks: Joint Coverage and Convergence Time Optimization

Mariam Yahya, Setareh Maghsudi, Slawomir Stanczak

TL;DR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。

Abstract

federated learning (FL) involves several devices that collaboratively train a shared model without transferring their local data. FL reduces the communication overhead, making it a promising learning method in UAV-enhanced wireless networks with scarce energy resources. Despite the pot

federated learning uav-enhanced wireless networks fl delay multi-objective multi-armed bandit theory energy harvesting

发现论文，激发创造

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

无线网络上的联邦学习：收敛分析和资源分配

提出了一种处理异构用户设备数据的联邦学习算法，同时结合对微波资源分配问题的优化，实现了收敛速率和能耗之间的平衡，并用 Tensorflow 实验验证了该算法的理论分析和优化表现。

Oct, 2019

联合学习和通信框架用于无线网络联邦学习

研究了在现实无线网络上训练联邦学习算法的问题，提出了一种联合学习、无线资源分配和用户选择的优化问题，并获得了期望收敛速率的闭式表达式，从而实现最小化 FL 损失函数的最优用户选择和上行资源块分配。

Sep, 2019

无线联邦学习中数据异构的分析与优化

本文针对数据异构性与无线资源分配相结合的无线联邦学习问题，提出了性能分析与优化的方法，在考虑数据异构性的同时，优化客户端调度、资源分配和本地训练轮数，通过实验验证了该算法在学习准确性和能量消耗方面的优势。

Aug, 2023

无线网络联邦学习的收敛时间优化

本研究旨在解决联邦学习在无线网络中的收敛速度问题，通过提出一种概率用户选择方案以及利用人工神经网络来估计未被分配资源块的用户的局部模型，从而在优化联邦学习性能的基础上最小化收敛时间。

Jan, 2020

无线供能联合学习网络：联合功率传输、数据感知、模型训练和资源分配

整合无线能量传输和移动众感测实现可持续联邦学习，研究资源分配问题以最小化总完成时间。

Aug, 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

无线通信网络上的能效联邦学习

研究了基于无线通信网络的联邦学习中的能源有效传输和计算资源分配问题，并提出了一种迭代算法，以解决此优化问题，并通过数值结果表明了该算法相对于传统 FL 方法可将能源消耗降低高达 59.5％。

Nov, 2019

基于联合权重量化和无线传输的异构移动设备能效联邦学习

本文旨在将联邦学习引入未来无线网络的设计中，为了在移动设备上进行能源高效的联邦学习提出了一种新颖的无线传输和权重量化的联合设计方法。通过建立混合整数规划问题，制定了灵活的权重量化计划，以最小化所有移动设备的联邦学习总能耗（计算 + 传输），同时保证模型性能和训练延迟。通过大量的模拟实验，验证了该方案的有效性。

Dec, 2020

无线网络上高效计算与通信的联邦学习

通过将学习模型分为全局部分和个性化部分，以实现模型剪枝和个性化，本文提出了一种解决异构设备数据、计算和通信延迟以及非独立同分布数据的联邦学习框架，并通过数学分析研究了其收敛性、计算和通信延迟，并最终通过优化问题得到了剪枝比例和无线资源分配的闭式解。实验结果表明，相比只进行模型个性化的方案，该框架能够显著减少约 50％的计算和通信延迟。

Sep, 2023