Navigating High-Degree Heterogeneity: Federated Learning in Aerial and Space Networks

联邦学习通过利用通过无人机、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。虽然当前的研究已经聚焦于优化学习过程、计算效率和最小化通信开销，但异质性和类别不平衡问题仍然是阻碍模型快速收敛的一个重要障碍。在我们的研究中，我们探讨了异质性对类别不平衡的影响，这会降低基于ASN的联邦学习的性能。我们阐述了在分组数据中异质性和类别不平衡之间的相关性，并展示了像电池寿命这样的限制如何加剧类别不平衡的挑战。我们的研究结果表明，即使与其他情况下的异质性水平相似，基于ASN的联邦学习仍面临着更加严重的类别不平衡问题。最后，我们分析了异质性程度变化对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。我们的研究结果揭示了，在基于ASN的联邦学习中，异质性挑战更加明显，而现有算法往往无法有效地解决高水平的异质性问题。

研究ASN-based federated learning中的异质性和类别不平衡问题，探究它们对FL性能的影响。

研究表明ASN-based federated learning中的类别不平衡问题更加严重，现有算法难以有效解决高度异质性的情况。

论文探究了异质性和类别不平衡之间的相关性，分析了电池寿命等约束条件对类别不平衡问题的影响。实验表明，ASN-based federated learning中的类别不平衡问题更加严重，现有算法难以有效解决高度异质性的情况。

相关研究包括《Federated Learning with Non-IID Data: A Semi-Supervised Approach》、《Federated Learning for UAV-Assisted Wireless Networks: Algorithm Design and Analysis》等。