論文の概要: Adaptive UAV-Assisted Hierarchical Federated Learning: Optimizing Energy, Latency, and Resilience for Dynamic Smart IoT Networks

• arxiv url: http://arxiv.org/abs/2503.06145v1
• Date: Sat, 08 Mar 2025 10:06:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:46:58.271919
• Title: Adaptive UAV-Assisted Hierarchical Federated Learning: Optimizing Energy, Latency, and Resilience for Dynamic Smart IoT Networks
• Title（参考訳）: 適応型UAV支援階層型学習 - 動的スマートIoTネットワークにおけるエネルギー,レイテンシ,レジリエンスの最適化
• Authors: Xiaohong Yang, Minghui Liwang, Liqun Fu, Yuhan Su, Seyyedali Hosseinalipour, Xianbin Wang, Yiguang Hong,
• Abstract要約: 本稿では,スマートIoTシステムにおけるエネルギー制約型UAVのためのHFLアーキテクチャについて検討する。 学習構成、帯域割り当て、デバイス対UAVアソシエーションを含む共同最適化問題を定式化する。 実世界のデータセットの実験では、通信中断時の大幅なコスト削減とロバストなパフォーマンスが示されている。
• 参考スコア（独自算出の注目度）: 21.859332138454928
• License:
• Abstract: Hierarchical Federated Learning (HFL) introduces intermediate aggregation layers, addressing the limitations of conventional Federated Learning (FL) in geographically dispersed environments with limited communication infrastructure. An application of HFL is in smart IoT systems, such as remote monitoring, disaster response, and battlefield operations, where cellular connectivity is often unreliable or unavailable. In these scenarios, UAVs serve as mobile aggregators, providing connectivity to the terrestrial IoT devices. This paper studies an HFL architecture for energy-constrained UAVs in smart IoT systems, pioneering a solution to minimize global training cost increased caused by UAV disconnection. In light of this, we formulate a joint optimization problem involving learning configuration, bandwidth allocation, and device-to-UAV association, and perform global aggregation in time before UAV drops disconnect and redeployment of UAVs. The problem explicitly accounts for the dynamic nature of IoT devices and their interruptible communications and is unveiled to be NP-hard. To address this, we decompose it into three subproblems. First, we optimize the learning configuration and bandwidth allocation using an augmented Lagrangian function to reduce training costs. Second, we propose a device fitness score, integrating data heterogeneity (via Kullback-Leibler divergence), device-to-UAV distances, and IoT device resources, and develop a twin-delayed deep deterministic policy gradient (TD3)-based algorithm for dynamic device-to-UAV assignment. Third, We introduce a low-complexity two-stage greedy strategy for finding the location of UAVs redeployment and selecting the appropriate global aggregator UAV. Experiments on real-world datasets demonstrate significant cost reductions and robust performance under communication interruptions.
• Abstract（参考訳）: 階層的フェデレートラーニング(HFL)は、地理的に分散した環境での従来のフェデレーションラーニング(FL)の限界に対処し、中間的なアグリゲーション層を導入する。 HFLのアプリケーションは、リモート監視、災害対応、戦場操作などのスマートIoTシステムにおいて、セル接続が信頼できない場合や利用できない場合が多い。 これらのシナリオでは、UAVはモバイルアグリゲータとして機能し、地上IoTデバイスへの接続を提供する。 本稿では、スマートIoTシステムにおけるエネルギー制約付きUAVのためのHFLアーキテクチャについて検討し、UAV切断によるグローバルトレーニングコストの増大を最小化するためのソリューションを開拓した。 そこで我々は,UAVが切断され,UAVが再デプロイされる前に,学習構成,帯域幅割り当て,デバイスとUAVアソシエーションを含む共同最適化問題を定式化し,グローバルアグリゲーションを行う。 この問題は、IoTデバイスの動的性質とその中断可能な通信を明示的に説明し、NPハードであることが明らかにされている。 これに対応するために、我々はそれを3つのサブプロブレムに分解する。 まず,拡張ラグランジアン関数を用いて学習構成と帯域幅割り当てを最適化し,学習コストを削減する。 第2に、デバイス適合度スコアを提案し、(Kullback-Leiblerの発散による)データの均一性、デバイスからUAVの距離、IoTデバイスリソースを統合し、動的デバイスからUAVへの割り振のための2遅延深い決定論的ポリシー勾配(TD3)ベースのアルゴリズムを開発した。 第3に,UAVの再配置の場所を特定し,適切なグローバルアグリゲータUAVを選択するために,低複雑さの2段階欲求戦略を導入する。 実世界のデータセットの実験では、通信中断時の大幅なコスト削減とロバストなパフォーマンスが示されている。

関連論文リスト

• When UAV Meets Federated Learning: Latency Minimization via Joint Trajectory Design and Resource Allocation [47.20867891501245]
  フェデレートラーニング(FL)は、無線ネットワーク上で機械学習モデルをトレーニングするための重要なソリューションとして登場した。 本研究では,無人航空機(UAV)を移動FLサーバとして展開し,FLの訓練プロセスを強化する,革新的なアプローチを提案する。 全体としてのトレーニング効率を改善するために,帯域割り当て,演算周波数,UAVとIoTデバイスの両方の送信電力,UAVの軌道を最適化して遅延問題を定式化する。
  論文  参考訳（メタデータ） (2024-12-10T11:39:27Z)
• Meta Reinforcement Learning for Strategic IoT Deployments Coverage in Disaster-Response UAV Swarms [5.57865728456594]
  無人航空機(UAV)は、重要な緊急用途に使用される可能性があるとして、学術や産業の研究者の注目を集めている。 これらのアプリケーションには、地上のユーザーに無線サービスを提供し、災害の影響を受けた地域からデータを収集する機能が含まれる。 UAVの限られた資源、エネルギー予算、厳格なミッション完了時間は、これらの用途にUAVを採用する際の課題を提起している。
  論文  参考訳（メタデータ） (2024-01-20T05:05:39Z)
• UAV Swarm-enabled Collaborative Secure Relay Communications with Time-domain Colluding Eavesdropper [115.56455278813756]
  航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。 本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
  論文  参考訳（メタデータ） (2023-10-03T11:47:01Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• RIS-assisted UAV Communications for IoT with Wireless Power Transfer Using Deep Reinforcement Learning [75.677197535939]
  無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。 第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。 マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-05T23:55:44Z)
• Trajectory Design for UAV-Based Internet-of-Things Data Collection: A Deep Reinforcement Learning Approach [93.67588414950656]
  本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。 本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。 シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-23T03:33:29Z)
• 3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning [75.78929539923749]
  無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。 UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である 本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
  論文  参考訳（メタデータ） (2021-06-06T14:08:41Z)
• Privacy-Preserving Federated Learning for UAV-Enabled Networks: Learning-Based Joint Scheduling and Resource Management [45.15174235000158]
  無人航空機(UAV)は、データ収集、人工知能(AI)モデルトレーニング、無線通信をサポートする飛行基地局(BS)として機能する。 モデルトレーニングのためにUAVサーバにデバイスの生データを送信するのは現実的ではない。 本稿では,マルチUAV対応ネットワークのための非同期フェデレーション学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-11-28T18:58:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。