Data-Efficient Energy-Aware Participant Selection for UAV-Enabled Federated Learning

要約

無人航空機 (UAV) 対応のエッジフェデレーテッドラーニング (FL) は、UAV によって収集される膨大で異種のデータと、エッジサーバーへの UAV データ送信に関連するプライバシーの懸念の結果として、研究への関心の高まりを引き起こしています。
ただし、UAV が収集したデータ (イメージング データなど) の冗長性と、厳密でない FL 参加者の選択により、FL 学習プロセスの収束時間と FL モデルのバイアスが増加する可能性があります。
したがって、この論文では、エネルギー消費、通信品質、およびローカルデータセットの異質性というUAVの制約の下で、FLモデルの精度を向上させることを目的として、エッジFLのUAV参加者を選択する問題を調査します。
我々は、データ効率の高いエネルギーを意識した参加者選択戦略 (DEEPS) と呼ばれる、新しい UAV 参加者選択スキームを提案します。これは、各サブ領域の構造類似性指数測定 (SSIM) の平均スコアに基づいて、各サブ領域で最適な FL 参加者を選択することで構成されます。
ローカル データセットとその電力消費プロファイル。
実験を通じて、モデルの精度、トレーニング時間、UAV のエネルギー消費の点で、提案された選択スキームがベンチマークのランダム選択方法よりも優れていることを示します。

要約(オリジナル)

Unmanned aerial vehicle (UAV)-enabled edge federated learning (FL) has sparked a rise in research interest as a result of the massive and heterogeneous data collected by UAVs, as well as the privacy concerns related to UAV data transmissions to edge servers. However, due to the redundancy of UAV collected data, e.g., imaging data, and non-rigorous FL participant selection, the convergence time of the FL learning process and bias of the FL model may increase. Consequently, we investigate in this paper the problem of selecting UAV participants for edge FL, aiming to improve the FL model’s accuracy, under UAV constraints of energy consumption, communication quality, and local datasets’ heterogeneity. We propose a novel UAV participant selection scheme, called data-efficient energy-aware participant selection strategy (DEEPS), which consists of selecting the best FL participant in each sub-region based on the structural similarity index measure (SSIM) average score of its local dataset and its power consumption profile. Through experiments, we demonstrate that the proposed selection scheme is superior to the benchmark random selection method, in terms of model accuracy, training time, and UAV energy consumption.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google