无人机赋能网络的隐私保护联邦学习：基于学习的联合调度与资源管理
信号处理
2020-12-01 v1 人工智能
摘要
无人机（UAV）能够作为飞行基站（BS）以支持数据收集、人工智能（AI）模型训练与无线通信。然而，由于设备的隐私顾虑以及无人机有限的计算或通信资源，将设备原始数据发送至无人机服务器进行模型训练并不现实。此外，由于无人机赋能网络中信道条件的动态性与设备计算能力的异构性，数据共享的可靠性与效率有待进一步提升。本文为多无人机赋能网络开发了一种异步联邦学习（AFL）框架，其通过允许本地模型训练且不传输原始敏感数据至无人机服务器，提供异步分布式计算。设备选择策略也被引入 AFL 框架，以阻止低质量设备影响学习效率和准确率。此外，我们提出一种基于异步优势 actor-critic（A3C）的联合设备选择、无人机部署与资源管理算法，以增强联邦收敛速度与准确率。仿真结果表明，相较于其他现有方案，我们所提框架与算法取得了更高的学习准确率和更快的联邦执行时间。
引用
@article{arxiv.2011.14197,
title = {Privacy-Preserving Federated Learning for UAV-Enabled Networks: Learning-Based Joint Scheduling and Resource Management},
author = {Helin Yang and Jun Zhao and Zehui Xiong and Kwok-Yan Lam and Sumei Sun and Liang Xiao},
journal= {arXiv preprint arXiv:2011.14197},
year = {2020}
}