无人机网络中降低通信成本与能耗的去中心化联邦学习方法

无人机（UAV）或无人机在现代智慧城市中扮演诸多角色，如货物递送、实时路况测绘与污染监测。无人机执行这些功能的能力常需机器学习技术的支持。然而，传统的无人机机器学习模型面临数据隐私问题、通信成本与能量限制。联邦学习作为一种新兴的分布式机器学习方法，是解决这些问题的极佳方案。联邦学习（FL）允许无人机训练本地模型而无需传输原始数据。然而，现有 FL 需要中心服务器聚合 UAV 的训练模型参数。中心服务器的故障会显著影响整体训练。本文中，我们提出两种聚合方法：交换式 FL 与交替式 FL，基于现有的去中心化联邦学习无人机网络（DFL-UN）架构，通过添加一种独特的去中心化 FL 聚合方法。这两种方法可通过控制本地训练轮数、本地通信与全局通信来有效管控能耗与通信成本。所提训练方法的仿真结果亦被给出，以相比两种基准方法（如标准机器学习训练与标准单聚合服务器训练）验证该架构的可行性与效率。仿真结果表明，所提方法在运行稳定性、能耗与通信成本方面优于基准方法。