自适应无人机辅助的分层联邦学习：面向动态智能物联网的能量、延迟与韧性优化
机器学习
2026-03-19 v4
摘要
分层联邦学习（HFL）通过引入中间聚合层扩展了传统联邦学习（FL），使得在地理分散的环境中进行分布式学习成为可能，这对于蜂窝连接受限的智能物联网系统（如远程监控和战场行动）尤为重要。在这些场景中，无人机（UAV）作为移动聚合器，动态连接地面物联网设备。本文研究了一种具有能量受限、动态部署且易受通信中断影响的 UAV 的 HFL 架构。我们提出了一种新方法，通过构建一个联合优化问题来最小化全局训练成本，该问题整合了学习配置、带宽分配和设备到 UAV 的关联，确保在 UAV 断开连接和重新部署之前及时进行全局聚合。该问题考虑了动态物联网设备和间歇性的 UAV 连接，属于 NP 难问题。为了解决这一问题，我们将其分解为三个子问题： 通过增广拉格朗日方法优化学习配置和带宽分配，以降低训练成本； 引入基于数据异构性（通过 Kullback-Leibler 散度）、设备到 UAV 距离以及计算资源的设备适应度评分，使用基于 TD3 的算法进行自适应的设备到 UAV 分配； 开发一种低复杂度的两阶段贪婪策略，用于 UAV 重新部署和全局聚合器选择，确保在 UAV 断开连接时仍能高效聚合。在多个真实世界数据集上的实验验证了该方法，证明了其在通信中断情况下的成本降低和稳健性能。
引用
@article{arxiv.2503.06145,
title = {Adaptive UAV-Assisted Hierarchical Federated Learning: Optimizing Energy, Latency, and Resilience for Dynamic Smart IoT},
author = {Xiaohong Yang and Minghui Liwang and Liqun Fu and Yuhan Su and Seyyedali Hosseinalipour and Xianbin Wang and Yiguang Hong},
journal= {arXiv preprint arXiv:2503.06145},
year = {2026}
}
备注
Accepted by IEEE Transactions on Services Computing(22 pages, 11 figures)