面向无人机网络的去中心化联邦学习：架构、挑战与机遇
网络与互联网体系结构
2021-08-20 v2 机器学习
摘要
无人机（UAVs），或称无人机（drones），被设想在下一代无线网络的民用与军事领域支撑广泛应用。通过人工智能（AI）尤其是机器学习（ML）技术赋予无人机网络智能，对于实现上述应用是必然且引人瞩目的。为解决无人机网络传统以云为中心的 ML 所存在的隐私担忧、不可接受的时延和资源负担等问题，一种分布式 ML 技术，\textit{即}联邦学习（FL），近期被提出以使多个无人机能够在不泄露原始数据的情况下协同训练 ML 模型。然而，几乎所有现有 FL 范式仍是中心化的，\textit{即}一个中心实体负责整个网络的 ML 模型聚合与融合，这可能导致单点故障问题，并且不适用于节点与链路均不可靠的无人机网络。受此驱动，本文提出一种称为 DFL-UN（\underline{D}ecentralized \underline{F}ederated \underline{L}earning for \underline{U}AV \underline{N}etworks，面向无人机网络的去中心化联邦学习）的新型架构，其在无中心实体的情况下实现无人机网络内的 FL。我们还进行了初步仿真研究以验证 DFL-UN 架构的可行性与有效性。最后，我们讨论了 DFL-UN 的主要挑战与潜在研究方向。
引用
@article{arxiv.2104.07557,
title = {Decentralized Federated Learning for UAV Networks: Architecture, Challenges, and Opportunities},
author = {Yuben Qu and Haipeng Dai and Yan Zhuang and Jiafa Chen and Chao Dong and Fan Wu and Song Guo},
journal= {arXiv preprint arXiv:2104.07557},
year = {2021}
}
备注
7 pages, 4 figures. This manuscript has been accepted by IEEE Network