面向间接通信联邦学习的客户端分配与无人机航线规划联合优化

联邦学习(FL)是一种机器学习方法，能够在数据保留于设备上的同时构建用于强大应用的共享模型。该方法具有提升数据隐私、安全性以及降低延迟等优势。然而，在某些系统中，客户端与服务器之间可能无法直接通信，例如缺乏合适通信基础设施的偏远地区。为应对这一挑战，提出了一种称为FedEx（通过模型快递的联邦学习）的新框架。该框架采用无人机等移动运输器在服务器与客户端之间建立间接通信信道。这些运输器充当中介，实现模型信息交换。间接通信给收敛分析与优化带来了新挑战，因为运输器移动引入的延迟对全局模型下发与本地模型收集均造成问题。为此，提出了FedEx-Sync与FedEx-Async两种算法，用于运输器层面的同步与异步学习。此外，提出了一种双层优化算法来求解客户端分配与航线规划联合问题。在模拟网络中使用两个公开数据集的实验验证显示了与理论一致的结果，证明了FedEx的有效性。