面向资源受限飞行器的计算与通信高效的在线联邦学习

隐私保护的分布式机器学习（ML）与空中互联车辆（ACV）辅助的边缘计算近来受到广泛关注。由于 ACV 的车载传感器可在其沿轨迹移动时采集新数据，此类“新”感知数据的持续到达导致了在线学习，并需要精心设计轨迹。此外，由于典型 ACV 本质上资源受限，因此需要计算与通信高效的 ML 解决方案。为此，我们提出了一种计算与通信高效的在线空中联邦学习（2CEOAFL）算法，以利用 ACV 持续感知的数据和有限的车载资源。具体而言，考虑到独立拥有的 ACV 充当自私的数据收集者，我们首先根据其各自的时变数据分布对其轨迹进行建模。然后，我们提出 2CEOAFL 算法，使飞行中的 ACV 能够： 剪枝接收到的密集 ML 模型使其变浅， 训练剪枝后的模型，以及 概率量化并将其训练后的累积梯度卸载到中央服务器（CS）。我们广泛的仿真结果表明，所提出的 2CEOAFL 算法提供了与其未剪枝且未量化（因此计算与通信低效）的对应算法相当的性能。