基于无人机的联邦学习

为实现通信高效的联邦学习（FL），本文研究一种无人机（UAV）使能的 FL 系统，其中无人机协调分布式地面设备以进行共享模型训练。具体而言，利用无人机的高空与机动性，其可主动与设备建立短距离视距链路，并防止任何设备成为通信掉队者。从而可加速模型聚合过程，同时减少由设备调度引起的累积模型损失，进而缩短完成时间。我们首先给出无凸性假设下 FL 的收敛分析，揭示设备调度对全局梯度的影响。基于导出的收敛界，我们进一步通过联合优化设备调度、无人机轨迹与时间分配来构建完成时间最小化问题。该问题显式纳入设备的能量预算、动态信道条件及 FL 收敛精度约束。尽管所构问题非凸，我们利用其结构将其分解为两个子问题，并借助拉格朗日对偶上升法导出最优解。仿真结果表明，相较于现有基准，所提设计在实际 FL 设置中显著改善了完成时间与预测精度之间的权衡。