无人机增强网络中的联邦学习：覆盖与收敛时间联合优化
机器学习
2023-09-01 v1 网络与互联网体系结构
摘要
联邦学习（FL）涉及多个设备协作训练共享模型而不传输其本地数据。FL 减少了通信开销，使其成为具有稀缺能源资源的无人机增强无线网络中一种有前景的学习方法。尽管有此潜力，在无人机增强网络中实现 FL 仍具挑战性，因为最大化覆盖的传统无人机放置方法会显著增加 FL 延迟。此外，关于信道质量等关键变量的不确定性和缺乏先验信息加剧了该问题。在本文中，我们首先分析了具有能量收集的无人机增强无线传感器网络（WSN）的统计特性。然后，我们基于多目标多臂老虎机理论开发了模型与解决方案，以在最小化 FL 延迟的同时最大化网络覆盖。此外，我们提出了另一种特别适用于大动作集和无人机严格能量约束的解决方案。我们的方案使用标量化的佳臂辨识算法，通过在每轮中依次消除一个或多个臂，来寻找使期望奖励与期望能量成本之比最大化的优臂。然后，我们推导了多目标和成本感知算法的错误概率上界。数值结果展示了我们方法的有效性。
引用
@article{arxiv.2308.16889,
title = {Federated Learning in UAV-Enhanced Networks: Joint Coverage and Convergence Time Optimization},
author = {Mariam Yahya and Setareh Maghsudi and Slawomir Stanczak},
journal= {arXiv preprint arXiv:2308.16889},
year = {2023}
}