論文の概要: Efficient UAV Swarm-Based Multi-Task Federated Learning with Dynamic Task Knowledge Sharing

• arxiv url: http://arxiv.org/abs/2503.09144v1
• Date: Wed, 12 Mar 2025 08:13:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:39:57.861086
• Title: Efficient UAV Swarm-Based Multi-Task Federated Learning with Dynamic Task Knowledge Sharing
• Title（参考訳）: 動的タスク知識共有による効率的なUAVスワーミング型マルチタスクフェデレーション学習
• Authors: Yubo Yang, Tao Yang, Xiaofeng Wu, Ziyu Guo, Bo Hu,
• Abstract要約: 災害救助のシナリオでは、UAVは、群衆検出、道路実現可能性分析、災害評価などのタスクを実行する。 本稿では,地上緊急車両(EV)がUAVと協調して複数のタスクを効率的に遂行する,UAVスワムに基づくマルチタスクFLフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 13.143754448388927
• License:
• Abstract: UAV swarms are widely used in emergency communications, area monitoring, and disaster relief. Coordinated by control centers, they are ideal for federated learning (FL) frameworks. However, current UAV-assisted FL methods primarily focus on single tasks, overlooking the need for multi-task training. In disaster relief scenarios, UAVs perform tasks such as crowd detection, road feasibility analysis, and disaster assessment, which exhibit time-varying demands and potential correlations. In order to meet the time-varying requirements of tasks and complete multiple tasks efficiently under resource constraints, in this paper, we propose a UAV swarm based multi-task FL framework, where ground emergency vehicles (EVs) collaborate with UAVs to accomplish multiple tasks efficiently under constrained energy and bandwidth resources. Through theoretical analysis, we identify key factors affecting task performance and introduce a task attention mechanism to dynamically evaluate task importance, thereby achieving efficient resource allocation. Additionally, we propose a task affinity (TA) metric to capture the dynamic correlation among tasks, thereby promoting task knowledge sharing to accelerate training and improve the generalization ability of the model in different scenarios. To optimize resource allocation, we formulate a two-layer optimization problem to jointly optimize UAV transmission power, computation frequency, bandwidth allocation, and UAV-EV associations. For the inner problem, we derive closed-form solutions for transmission power, computation frequency, and bandwidth allocation and apply a block coordinate descent method for optimization. For the outer problem, a two-stage algorithm is designed to determine optimal UAV-EV associations. Furthermore, theoretical analysis reveals a trade-off between UAV energy consumption and multi-task performance.
• Abstract（参考訳）: UAVスワムは緊急通信、地域監視、災害救助に広く利用されている。 制御センタによって調整されたこれらは、連邦学習(FL)フレームワークに理想的である。 しかし、現在のUAV支援FL法は、主にマルチタスクトレーニングの必要性を見越して、単一のタスクに重点を置いている。 災害救助のシナリオでは、UAVは、群衆検出、道路実現可能性分析、災害評価などのタスクを実行し、時間変化の要求と潜在的な相関を示す。 本稿では,UAVスワムをベースとした多タスクFLフレームワークを提案する。このフレームワークでは,地上緊急車両(EV)がUAVと協調して,制約エネルギーと帯域幅の制約下で複数のタスクを効率的に遂行する。 理論的解析により,タスク性能に影響を及ぼす重要な要因を特定し,タスクの重要度を動的に評価するタスクアテンション機構を導入し,効率的なリソース割り当てを実現する。 さらに,タスク間の動的相関を捉えるためのタスク親和性(TA)尺度を提案し,タスク知識の共有を促進してトレーニングを加速し,異なるシナリオにおけるモデルの一般化能力を向上させる。 資源配分を最適化するため,UAV送信電力,計算周波数,帯域割り当て,UAV-EVアソシエーションを共同で最適化する2層最適化問題を定式化する。 内部問題に対して、送信電力、計算周波数、帯域幅割り当てのための閉形式解を導出し、最適化のためにブロック座標降下法を適用する。 外部問題に対しては、最適なUAV-EVアソシエーションを決定するために、2段階のアルゴリズムが設計されている。 さらに、理論解析により、UAVエネルギー消費とマルチタスク性能のトレードオフが明らかになった。

関連論文リスト

• UAV-Assisted Multi-Task Federated Learning with Task Knowledge Sharing [10.690040580314998]
  複数のUAVによって収集されたデータを同時に複数の関連するタスクを訓練するUAV支援多タスクフェデレーション学習方式を提案する。 このスキームは,タスク間の特徴抽出器の共有によるトレーニングプロセスの促進と,タスクパフォーマンスのバランスと知識共有の促進を目的としたタスクアテンション機構の導入を目的としている。
  論文  参考訳（メタデータ） (2025-01-18T03:30:27Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
  低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。 本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:17:33Z)
• UAV-enabled Collaborative Beamforming via Multi-Agent Deep Reinforcement Learning [79.16150966434299]
  本稿では,UAVを用いた協調ビームフォーミング多目的最適化問題 (UCBMOP) を定式化し,UAVの伝送速度を最大化し,全UAVのエネルギー消費を最小化する。 ヘテロジニアス・エージェント・信頼領域ポリシー最適化(HATRPO)を基本フレームワークとし,改良されたHATRPOアルゴリズム,すなわちHATRPO-UCBを提案する。
  論文  参考訳（メタデータ） (2024-04-11T03:19:22Z)
• Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs [21.195346908715972]
  無人航空機は、地上のBSからデータトラフィックをオフロードする代替手段を提供する。 本稿では,地上BSからデータオフロードを行うために,複数のUAVを効率的に利用するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T12:36:08Z)
• 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)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• Deep Reinforcement Learning for Trajectory Path Planning and Distributed Inference in Resource-Constrained UAV Swarms [6.649753747542209]
  本研究の目的は,UAVSwarmにおける分散協調推論要求と経路計画のためのモデルの設計である。 定式化問題はNPハードであるため、最適解を見つけることは極めて複雑である。 我々は、広範囲なシミュレーションを行い、その結果を、我々のモデルが競合モデルより優れていることを示す最先端の研究と比較する。
  論文  参考訳（メタデータ） (2022-12-21T17:16:42Z)
• DL-DRL: A double-level deep reinforcement learning approach for large-scale task scheduling of multi-UAV [65.07776277630228]
  分割・征服フレームワーク(DCF)に基づく二重レベル深層強化学習(DL-DRL)手法を提案する。 特に,上層部DRLモデルにおけるエンコーダ・デコーダ構成ポリシネットワークを設計し,タスクを異なるUAVに割り当てる。 また、低レベルDRLモデルにおける別の注意に基づくポリシーネットワークを利用して、各UAVの経路を構築し、実行されたタスク数を最大化する。
  論文  参考訳（メタデータ） (2022-08-04T04:35:53Z)

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。