面向工业物联网的压缩贝叶斯联邦学习：可靠被动无线电感知

贝叶斯联邦学习（FL）最近被引入以提供对机器学习（ML）模型预测不确定性的良好校准。尽管与频率主义 FL 方案相比具有优势，但在去中心化网络上实现的贝叶斯 FL 工具因协作设备之间局部后验分布的迭代交换而面临高通信成本。因此，本文提出一种高效通信的去中心化贝叶斯 FL 策略，以减少通信开销而不牺牲最终学习准确性和校准。该方法集成了压缩策略，允许设备在发送局部后验分布之前执行多次优化步骤。我们将所developed工具集成到一个工业物联网（IIoT）用例中，该用例中配备了自主雷达传感器的节点被任务用于可靠定位与机器共存的工作场所中的人类操作员。数值结果表明，所developed方法获得的高精度且良好校准的 ML 模型与常规（未压缩）贝叶斯 FL 工具提供的模型兼容，同时大幅降低了通信开销（最高可达 99%）。此外，与最先进的压缩频率主义 FL 方案相比，所提出的方法在校准方面具有优势，尤其是在测试数据集的统计分布发生变化时。