面向能源效率的无人机通信下的个性化联邦学习
机器学习
2026-05-26 v1 系统与控制
系统与控制
摘要
联邦学习（FL）是一种有效提升边缘设备学习能力且保留数据隐私的范式。在地理分布广泛的FL系统中，如偏远地区的传感器网络，无人机（UAV）可灵活建立高质量通信链路以支持参数交换。然而，设备异构性和无人机电池容量有限构成重大挑战。具体而言，数据异构性减缓收敛速度，而调度所有设备进行全局协作则造成过大的通信和能耗成本。为克服这些挑战，我们采用严格的全局共享主干与永久局部个人化头部之间的严格分离，从而减轻数据异构性的影响。进一步提出一种基于梯度的调度策略，联合考虑能源效率和学习性能。在每个通信轮中，仅由按梯度-范数排序的前个设备更新主干，确保优化聚焦于最具信息量的更新。仿真结果表明，所提方案在实现更高学习精度的同时，显著降低了无人机的能耗。
引用
@article{arxiv.2605.25212,
title = {Personalized Federated Learning by Energy-Efficient UAV Communications},
author = {Shiqian Guo and Jianqing Liu and Beatriz Lorenzo},
journal= {arXiv preprint arXiv:2605.25212},
year = {2026}
}