UAV 网络中面向时延的多模态联邦学习
机器学习
2025-10-03 v1 人工智能
摘要
本文聚焦于受援助无人机 (UAV) 的联邦多模态学习 (FML)，旨在最小化系统时延并提供收敛性分析。在该框架下，UAV 在网络中分布式布置，用于收集数据、参与模型训练并与基站 (BS) 协作构建全局模型。通过采用多模态感知，UAV 克服了单模态系统的局限性，从而提升模型的准确率、泛化能力，并提供对环境的更全面理解。主要目标是通过联合优化无人机感知调度、功率控制、轨迹规划、资源分配以及基站资源管理，来最小化 FML 系统的时延。为解决时延最小化问题的计算复杂度，我们提出一种高效的迭代优化算法，结合块坐标下降和连续凸近似技术，能够提供高质量的近似解。我们还在非凸损失函数下，对 UAV 辅助的 FML 框架进行理论收敛性分析。数值实验表明，在不同数据设置下，我们的 FML 框架在系统时延和模型训练性能方面优于现有方法。
引用
@article{arxiv.2510.01717,
title = {Latency-aware Multimodal Federated Learning over UAV Networks},
author = {Shaba Shaon and Dinh C. Nguyen},
journal= {arXiv preprint arXiv:2510.01717},
year = {2025}
}
备注
Accepted at IEEE Transactions on Network Science and Engineering