无人机赋能联邦学习的延迟最小化：轨迹设计与资源分配
信号处理
2025-03-28 v2 机器学习
摘要
联邦学习（FL）已成为分布式机器学习在无线网络中的变革性范式。然而，FL 的性能常受资源受限的物联网（IoT）设备与中央服务器之间不可靠通信链路的制约。为克服这一挑战，我们提出了一种利用无人机（UAV）作为移动服务器来增强 FL 训练过程的新框架。借助 UAV 的机动性，我们与 IoT 设备建立了强大的视距连接，从而增强了通信可靠性与容量。为最大化训练效率，我们构建了一个联合优化带宽分配、计算频率、UAV 与 IoT 设备发射功率以及 UAV 飞行轨迹的延迟最小化问题。随后，我们分析了 IoT 设备训练所需轮数与 UAV 聚合对 FL 收敛的影响。基于收敛约束，我们将问题转化为三个子问题，并开发了一种高效的交替优化算法来有效求解。此外，我们对算法的收敛性与计算复杂度进行了全面分析。大量数值结果表明，所提出的方案不仅在降低延迟方面超越了现有基准方案（最高达 15.29%），而且在训练效率上几乎达到了理想场景的水平。
引用
@article{arxiv.2412.07428,
title = {Latency Minimization for UAV-Enabled Federated Learning: Trajectory Design and Resource Allocation},
author = {Xuhui Zhang and Wenchao Liu and Jinke Ren and Huijun Xing and Gui Gui and Yanyan Shen and Shuguang Cui},
journal= {arXiv preprint arXiv:2412.07428},
year = {2025}
}
备注
This manuscript has been submitted to IEEE