基于信噪比加权模型聚合的无人机无线电谱感知联邦学习
机器学习
2024-11-19 v1
摘要
无线电通信中数据使用需求的增加要求使用更宽的频谱带，尤其是用于背haul 链路。然而，频谱中用于非通信系统的分配会阻碍合并频带以实现更宽的带宽。为克服这一问题，频谱共享或机会性频谱利用通过二级用户成为一种有前景的解决方案。然而，这两种方法都必须最小化对原始用户的干扰。因此，频谱感知对于此类机会性用途至关重要，以确保原始用户的正常运行。虽然该问题已针对 2D 网络进行了研究，但无人机（UAV）网络需要从 3D 空间的不同视角来考量其挑战与机遇。为了此目的，我们提出了一种基于联邦学习（FL）的方法，用于 UAV 网络中的频谱感知，以考虑其分布性质和有限的计算能力。FL 使当地训练能够在不共享原始数据的情况下进行，同时保证本地用户的隐私，降低通信开销并增加数据多样性。此外，我们发展了一种称为 FedSNR 的联邦聚合方法，该方法考虑无人机观察到的信噪比（SNR）以获取全局模型。数值结果表明，所提出的架构和聚合方法优于传统方法。
引用
@article{arxiv.2411.11159,
title = {Federated Learning for UAV-Based Spectrum Sensing: Enhancing Accuracy Through SNR-Weighted Model Aggregation},
author = {Kürşat Tekbıyık and Güneş Karabulut Kurt and Antoine Lesage-Landry},
journal= {arXiv preprint arXiv:2411.11159},
year = {2024}
}