Federated Learning in UAV-Enhanced Networks: Joint Coverage and Convergence Time Optimization

解决问题：本篇论文旨在解决在无人机（UAV）增强的无线网络中实现联邦学习（FL）的问题。尽管FL在无线网络中具有潜力，但是传统的UAV放置方法会显著增加FL的延迟，同时缺乏关键变量的先验信息会加剧这个问题。

关键思路：本文提出了一种基于多目标多臂赌博机理论的模型和解决方案，以最大化网络覆盖率并最小化FL延迟。此外，本文还提出了另一种解决方案，该方案在UAV具有严格能量限制和大动作集的情况下特别有用。本文的解决方案具有创新性，能够有效降低FL的延迟，同时最大化网络覆盖率。

其他亮点：本文的实验结果表明，所提出的解决方案是有效的。此外，本文还提出了一种基于标量化最佳臂识别算法的解决方案，该算法能够通过在每一轮中逐个或逐组消除臂来找到最优臂，从而最大化预期奖励与预期能量成本的比率。本文未提供数据集和代码。

相关研究：近期其他相关的研究包括：

  1. "Federated Learning for UAV-Enabled Wireless Sensor Networks: Joint Power Allocation and Trajectory Optimization"，作者：X. Zhou, Y. Li, Y. Zhang，机构：南京邮电大学。
  2. "Federated Learning with UAV-Enabled Wireless Networks: Joint Power Allocation and Trajectory Optimization"，作者：Y. Li, X. Zhou, Y. Zhang，机构：南京邮电大学。

论文摘要：本文介绍了一种基于联邦学习（FL）的无人机增强网络的覆盖和收敛时间优化方法。FL是一种协作训练共享模型的方法，不需要传输本地数据，从而减少通信开销。在能源资源稀缺的无人机增强无线网络中，FL具有很大的应用潜力。然而，传统的最大化覆盖率的无人机放置方法会显著增加FL的延迟，加上关键变量（如信道质量）的不确定性和缺乏先验信息，使在无人机增强网络中实现FL变得具有挑战性。本文分析了带能量收集的无人机增强无线传感器网络的统计特性，然后基于多目标多臂赌博机理论开发了一个模型和解决方案，以最大化网络覆盖率并最小化FL延迟。此外，本文提出了另一种解决方案，特别适用于具有大动作集和严格能量限制的无人机。我们的方案使用标量化的最佳臂识别算法，通过在每轮中逐个或逐组地消除臂来找到最优臂，从而最大化期望奖励与期望能量成本的比率。最后，我们推导了多目标和成本感知算法误差概率的上界。数值结果表明了我们方法的有效性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除