Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning

要約

Federated Edge Learning (FEEL) は、エッジ デバイスとサーバー間の定期的な通信を通じて、プライバシーを保護したモデルのトレーニングを可能にします。
無人航空機 (UAV) に搭載されたエッジ デバイスは、効率的なデータ収集における柔軟性と機動性により、FEEL にとって特に有利です。
UAV 支援 FEEL では、センシング、計算、通信が結合され、限られたオンボード リソースをめぐって競合します。また、UAV の展開はセンシングと通信のパフォーマンスにも影響します。
したがって、最適な訓練パフォーマンスを達成するには、UAV の展開とリソース割り当ての共同設計が重要です。
この論文では、ワイヤレスセンシングに基づく人間の動作認識の具体的なケーススタディを通じて、共同UAV展開設計とFEELのためのリソース割り当ての問題に取り組みます。
まず、UAV の導入がセンシング品質に及ぼす影響を分析し、データ サンプルの満足のいく品質を保証するセンシング仰角のしきい値を特定します。
センシング チャネルが理想的ではないため、各 UAV のセンシング成功確率がその位置によって決定される確率的センシング モデルを検討します。
次に、センシング確率の関数として FEEL トレーニング損失の上限を導き出します。
理論的結果は、UAV の感知成功確率が均一であれば、収束率を改善できることを示唆しています。
この分析に基づいて、望ましい最適性ギャップ制約の下で UAV の展開、統合センシング、計算、および通信 (ISCC) リソースを共同で最適化することにより、トレーニング時間最小化問題を定式化します。
この困難な混合整数の非凸問題を解決するために、交互最適化手法を適用し、これら 3 つの決定変数を交互に最適化する帯域幅、バッチ サイズ、および位置の最適化 (BBPO) スキームを提案します。

要約(オリジナル)

Federated edge learning (FEEL) enables privacy-preserving model training through periodic communication between edge devices and the server. Unmanned Aerial Vehicle (UAV)-mounted edge devices are particularly advantageous for FEEL due to their flexibility and mobility in efficient data collection. In UAV-assisted FEEL, sensing, computation, and communication are coupled and compete for limited onboard resources, and UAV deployment also affects sensing and communication performance. Therefore, the joint design of UAV deployment and resource allocation is crucial to achieving the optimal training performance. In this paper, we address the problem of joint UAV deployment design and resource allocation for FEEL via a concrete case study of human motion recognition based on wireless sensing. We first analyze the impact of UAV deployment on the sensing quality and identify a threshold value for the sensing elevation angle that guarantees a satisfactory quality of data samples. Due to the non-ideal sensing channels, we consider the probabilistic sensing model, where the successful sensing probability of each UAV is determined by its position. Then, we derive the upper bound of the FEEL training loss as a function of the sensing probability. Theoretical results suggest that the convergence rate can be improved if UAVs have a uniform successful sensing probability. Based on this analysis, we formulate a training time minimization problem by jointly optimizing UAV deployment, integrated sensing, computation, and communication (ISCC) resources under a desirable optimality gap constraint. To solve this challenging mixed-integer non-convex problem, we apply the alternating optimization technique, and propose the bandwidth, batch size, and position optimization (BBPO) scheme to optimize these three decision variables alternately.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google