联合货物配送与联邦学习：一种具备异步群体个性化训练功能的多功能无人机框架

《IEEE Transactions on Cognitive Communications and Networking》：Joint Cargo Delivery and Federated Learning: A Multi-functional UAV Framework with Asynchronous Group-Personalized Training

多任务无人载具联合训练与路径优化框架通过双层训练架构（同步内层个性化更新+异步外层全局聚合）与强化学习路径规划，有效解决联邦学习中的异步数据上传和群体非独立同分布数据导致的模型过时问题，实验显示模型过时减少42.67%，收敛率提升46.50%，在非独立同分布场景下准确率提高5.28%。

　　

摘要：

多功能无人机（UAV）因能够支持多种任务（如配送和联邦学习FL）而受到关注。然而，异步数据上传阻碍了模型的同步聚合，且用户行为通常表现出群体层面的个性化特征。为了解决这些挑战，我们提出了一个结合模型训练和无人机路径优化的框架。我们构建了一个无人机网络系统模型，使无人机既能作为配送工具，也能作为FL参数服务器。我们设计了一个双层训练框架，以减轻群体间的异质性和模型数据的过时问题。具体而言，内层负责进行同步的群体内部个性化更新，而外层则采用考虑数据过时的异步全局聚合方法。为了减少货物配送过程中的模型数据过时现象，我们提出了一个包含训练窗口持续时间的路径优化问题，并通过深度强化学习来解决该问题。数值结果表明，所提出的框架优于静态和随机路径基线方案：模型数据过时程度分别减少了20.75%和42.67%，同时收敛速度分别提高了20.15%和46.50%。在群体层面非独立同分布（non-IID）的假设下，该训练框架的测试准确率相比异步的、基于设备个性化的学习基线方案提高了5.28%。