无人机群体的分布式学习
机器学习
2024-10-22 v1 计算机视觉与模式识别
机器人学
摘要
无人机（UAV）群体正日益部署于动态、数据丰富的环境中，用于环境监测和监视等应用。这些场景要求高效数据处理，同时保持隐私和安全，使联邦学习（FL）成为有前景的解决方案。FL 允许 UAV 之间在不共享原始数据的情况下协同训练全局模型，但由于 UAV 收集的数据呈非独立同分布（non-IID）特性，出现挑战。本研究展示了将最新 FL 方法集成到 UAV 群体应用中的情况，并调查了多种聚合方法（FedAvg、FedProx、FedOpt 和 MOON）在处理 non-IID 数据时的性能，特别关注 MNIST 用于基准性能，CIFAR10 用于自然对象分类，EuroSAT 用于环境监测，CelebA 用于监视。选取这些算法以涵盖客户端更新和全局聚合方面的改进技术。结果表明，尽管所有算法在 IID 数据上表现相当，但在 non-IID 条件下性能显著恶化。FedProx 显示出最稳定的整体性能，强调在 non-IID 环境中对本地更新进行正则化以缓解本地模型的严重偏差的重要性。
引用
@article{arxiv.2410.15882,
title = {Distributed Learning for UAV Swarms},
author = {Chen Hu and Hanchi Ren and Jingjing Deng and Xianghua Xie},
journal= {arXiv preprint arXiv:2410.15882},
year = {2024}
}