面向无人机赋能联邦学习的数据高效能耗感知参与者选择
机器学习
2023-08-15 v1 人工智能
网络与互联网体系结构
摘要
无人机（UAV）赋能的边缘联邦学习（FL）因 UAV 收集的大规模异构数据以及 UAV 数据传输至边缘服务器相关的隐私问题而引发研究兴趣的上升。然而，由于 UAV 收集数据（如成像数据）的冗余性以及 FL 参与者选择不够严谨，FL 学习过程的收敛时间与 FL 模型的偏差可能增加。因此，本文研究边缘 FL 中 UAV 参与者的选择问题，旨在 UAV 能耗、通信质量及本地数据集异构性约束下提升 FL 模型准确率。我们提出一种新颖的 UAV 参与者选择方案，称为数据高效能耗感知参与者选择策略（DEEPS），其依据本地数据集的结构相似度指数测度（SSIM）平均分及其功耗曲线，在每个子区域中选择最佳 FL 参与者。通过实验，我们证明所提选择方案在模型准确率、训练时间及 UAV 能耗方面优于基准随机选法。
引用
@article{arxiv.2308.07273,
title = {Data-Efficient Energy-Aware Participant Selection for UAV-Enabled Federated Learning},
author = {Youssra Cheriguene and Wael Jaafar and Chaker Abdelaziz Kerrache and Halim Yanikomeroglu and Fatima Zohra Bousbaa and Nasreddine Lagraa},
journal= {arXiv preprint arXiv:2308.07273},
year = {2023}
}