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

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

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

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

提出了一种名为 Hybrid-FL 的协作机制，通过启发式算法解决数据和客户端选择问题，从而缓解非独立同分布数据带来的弊端，在网络模拟和机器学习实验中证明了该方案比之前提出的方案在非 IID 情况下具有更高的分类准确率。

May, 2019

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

联邦学习是一种机器学习方法，可以在持有本地数据样本的多个分散边缘设备之间进行协作模型训练，而无需交换这些样本。本报告探讨了非独立非同分布的数据与异构数据带来的问题，并探索了目前设计用于解决这些挑战的算法。

Jan, 2024

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

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

这篇论文介绍了一种基于联邦学习的入侵检测系统（FL-IDS），旨在提高无人机网络（FANET）的安全性。FL-IDS 利用联邦学习解决了集中式入侵检测系统的隐私问题，通过分散式操作使得无人机能够合作训练一个全局的入侵检测模型，而不共享原始数据。实验结果表明 FL-IDS 在保护隐私的同时，具有与集中式 IDS 相媲美的性能，并通过 BTSC 方法进一步增强了性能，甚至在较低的攻击者比例下超越了集中式 IDS。与传统入侵检测方法（如 L-IDS）的比较分析为 FL-IDS 的优势提供了深入的见解。该研究为 FANET 安全领域做出了重要贡献，提出了一种注重隐私的分散式入侵检测方法，以应对无人机网络的独特挑战。

Dec, 2023