Distributed Learning for UAV Swarms

要約

無人航空機 (UAV) の群れは、環境モニタリングや監視などの用途のために、動的でデータが豊富な環境にますます導入されています。
これらのシナリオでは、プライバシーとセキュリティを維持しながら効率的なデータ処理が必要となるため、Federated Learning (FL) が有望なソリューションとなります。
FL を使用すると、UAV は生データを共有せずにグローバル モデルを共同でトレーニングできますが、UAV によって収集されたデータの非独立かつ同一分散 (非 IID) の性質により課題が生じます。
この研究では、最先端の FL 手法の UAV Swarm アプリケーションへの統合を示し、特に非依存性の問題への取り組みに焦点を当てて、複数の集計手法 (つまり、FedAvg、FedProx、FedOpt、および MOON) のパフォーマンスを調査します。
さまざまなデータセットに関する IID、特にベースライン パフォーマンスには MNIST、自然物体分類には CIFAR10、環境モニタリングには EuroSAT、監視には CelebA を使用します。
これらのアルゴリズムは、クライアント側の更新とグローバル集約の両方に関する改良された技術をカバーするために選択されました。
結果は、すべてのアルゴリズムが IID データに対して同等のパフォーマンスを発揮する一方で、非 IID 条件下ではパフォーマンスが大幅に低下することを示しています。
FedProx は全体的なパフォーマンスが最も安定していることを実証し、ローカル モデルの大幅な逸脱を軽減するために非 IID 環境でローカル更新を定期化することの重要性を強調しました。

要約(オリジナル)

Unmanned Aerial Vehicle (UAV) swarms are increasingly deployed in dynamic, data-rich environments for applications such as environmental monitoring and surveillance. These scenarios demand efficient data processing while maintaining privacy and security, making Federated Learning (FL) a promising solution. FL allows UAVs to collaboratively train global models without sharing raw data, but challenges arise due to the non-Independent and Identically Distributed (non-IID) nature of the data collected by UAVs. In this study, we show an integration of the state-of-the-art FL methods to UAV Swarm application and invetigate the performance of multiple aggregation methods (namely FedAvg, FedProx, FedOpt, and MOON) with a particular focus on tackling non-IID on a variety of datasets, specifically MNIST for baseline performance, CIFAR10 for natural object classification, EuroSAT for environment monitoring, and CelebA for surveillance. These algorithms were selected to cover improved techniques on both client-side updates and global aggregation. Results show that while all algorithms perform comparably on IID data, their performance deteriorates significantly under non-IID conditions. FedProx demonstrated the most stable overall performance, emphasising the importance of regularising local updates in non-IID environments to mitigate drastic deviations in local models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google