UAV-assisted Unbiased Hierarchical Federated Learning: Performance and Convergence Analysis

第六代（6G）无线网络的发展必将推动计算和学习向网络边缘的转移。分层联邦学习（HFL）因此成为分布式学习跨越边缘设备以实现全局智能的关键范式。在HFL中，每个边缘设备使用其各自的数据训练本地模型，并将更新的模型参数传输到边缘服务器进行本地聚合。然后，边缘服务器将本地聚合的参数传输到中央服务器进行全局模型聚合。然而，边缘和回程链路的通信信道的不可靠性仍然是评估HFL增强系统真正受益的瓶颈。为此，本文提出了一种针对无人机（UAV）辅助无线网络的无偏HFL算法，通过调整UAV和地面基站（BS）在本地和全局聚合期间的更新权重来抵消不可靠信道的影响。为了最好地表征HFL涉及的信道的不可靠性，我们采用随机几何工具来确定本地和全局模型参数传输的成功概率。在所提出的HFL算法中考虑这些指标的目的是消除在考虑UAV辅助网络的情况下，对信道条件较好的设备的偏见。本文进一步研究了在恶劣信道条件下所提出的无偏UAV辅助HFL算法的理论收敛保证。所开发方法的另一个优点是，它允许优化和设计系统参数，例如UAV的数量及其相应的高度。本文的结果特别突出了所提出的无偏HFL方案相对于传统FL和HFL算法的有效性。

本论文旨在解决在边缘计算中通信信道不可靠对分层联邦学习的影响，提出了一种针对无人机辅助无线网络的无偏差分层联邦学习算法。

该论文提出的算法通过在无人机和地面基站上调整更新权重来抵消不可靠信道的影响，并使用随机几何工具确定局部和全局模型参数传输的成功概率，以消除对具有更好信道条件的设备的偏见。

该算法的优点是允许优化和设计系统参数，例如无人机的数量和高度，并且相对于传统的联邦学习和分层联邦学习算法，该算法的有效性得到了证明。

近期在该领域的相关研究包括“Federated Learning with UAV-Mounted Mobile Base Stations”和“Federated Learning over Wireless Networks: Optimization Model Design and Analysis”。