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

要約

フェデレーテッド ラーニング (FL) には、ローカル データを転送せずに共有モデルを共同でトレーニングする複数のデバイスが含まれます。
FL は通信オーバーヘッドを削減するため、エネルギー リソースが乏しい UAV 強化ワイヤレス ネットワークにおける有望な学習方法となります。
可能性があるにもかかわらず、カバレッジを最大化する従来の UAV 配置方法では FL 遅延が大幅に増加するため、UAV 強化ネットワークに FL を実装することは困難です。
さらに、チャネル品質などの重要な変数に関する先験的な情報の不確実性と欠如が問題を悪化させます。
この論文では、まず、エネルギーハーベスティングを備えた UAV 強化ワイヤレス センサー ネットワーク (WSN) の統計的特性を分析します。
次に、多目的マルチアーム バンディット理論に基づいてモデルとソリューションを開発し、FL 遅延を最小限に抑えながらネットワーク カバレッジを最大化します。
さらに、大規模なアクション セットと UAV での厳しいエネルギー制約に特に役立つ別のソリューションを提案します。
私たちの提案では、スカラー化されたベストアーム識別アルゴリズムを使用して、各ラウンドで 1 つ以上のアームを順番に削除することで、期待されるエネルギーコストに対する期待される報酬の比率を最大化する最適なアームを見つけます。
次に、多目的でコストを意識したアルゴリズムのエラー確率の上限を導き出します。
数値結果は、私たちのアプローチの有効性を示しています。

要約(オリジナル)

Federated learning (FL) involves several devices that collaboratively train a shared model without transferring their local data. FL reduces the communication overhead, making it a promising learning method in UAV-enhanced wireless networks with scarce energy resources. Despite the potential, implementing FL in UAV-enhanced networks is challenging, as conventional UAV placement methods that maximize coverage increase the FL delay significantly. Moreover, the uncertainty and lack of a priori information about crucial variables, such as channel quality, exacerbate the problem. In this paper, we first analyze the statistical characteristics of a UAV-enhanced wireless sensor network (WSN) with energy harvesting. We then develop a model and solution based on the multi-objective multi-armed bandit theory to maximize the network coverage while minimizing the FL delay. Besides, we propose another solution that is particularly useful with large action sets and strict energy constraints at the UAVs. Our proposal uses a scalarized best-arm identification algorithm to find the optimal arms that maximize the ratio of the expected reward to the expected energy cost by sequentially eliminating one or more arms in each round. Then, we derive the upper bound on the error probability of our multi-objective and cost-aware algorithm. Numerical results show the effectiveness of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google