驾驭高度异质性：空中和空间网络中的联邦学习

联邦学习通过利用无人机、气球和卫星可访问的大量私有边缘数据和计算能力，为空中和空间网络中的网络和数据隐私挑战提供了一个引人注目的解决方案。虽然当前研究侧重于优化学习过程、计算效率和最小化通信开销，但异质性问题和类别不平衡仍然是快速模型收敛的重大障碍。在本文中，我们探讨了异质性对类别不平衡的影响，这种影响降低了基于空中和空间网络（ASN）的联邦学习的性能。我们说明了分组数据中异质性与类别不平衡之间的相关性，并展示了电池寿命等约束如何加剧类别不平衡挑战。我们的研究结果表明，即使与其他场景相比具有相似的异质性水平，基于ASN的FL也面临更严重的类别不平衡问题。最后，我们分析了不同程度的异质性对FL训练的影响，并评估了当前最先进算法在这些条件下的有效性。我们的结果表明，异质性挑战在基于ASN的联邦学习中更为突出，并且主流算法通常无法有效应对高水平的异质性。