空中的联邦学习：基于无人机群的空地空气质量感知框架
信号处理
2020-09-03 v1 机器学习
摘要
由于空气质量显著影响人类健康，准确且及时地预测空气质量指数（AQI）变得愈发重要。为此，本文提出一种基于联邦学习的新型空地空气质量感知框架，用于细粒度三维空气质量监测与预报。具体而言，在空中，该框架利用轻量级 Dense-MobileNet 模型实现从无人机（UAVs）所拍摄雾霾图像的雾霾特征中进行节能的端到端学习，以预测 AQI 等级分布。此外，联邦学习框架不仅允许各类组织或机构协作学习训练良好的全局模型以监测 AQI 且不损害隐私，还扩展了无人机群监测的范围。对于地面感知系统，我们提出一种基于图卷积神经网络的长短期记忆（GC-LSTM）模型，以实现准确、实时及未来的 AQI 推断。GC-LSTM 模型利用地面监测站的拓扑结构捕获历史观测数据的时空相关性，助力空地感知系统实现准确的 AQI 推断。通过在真实世界数据集上的大量案例研究，数值结果表明所提框架能够在不损害原始数据隐私的情况下实现准确且节能的 AQI 感知。
引用
@article{arxiv.2007.12004,
title = {Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms},
author = {Yi Liu and Jiangtian Nie and Xuandi Li and Syed Hassan Ahmed and Wei Yang Bryan Lim and Chunyan Miao},
journal= {arXiv preprint arXiv:2007.12004},
year = {2020}
}
备注
IEEE Internet of Things