在无人智能体网络中实现保护隐私且通信高效的联邦学习

《IEEE Internet of Things Journal》：Achieving Privacy-Preserving and Communication-Efficient Federated Learning in Internet of Unmanned Agents

联邦学习在互联网无人代理（IUA）场景中面临通信开销大、隐私泄露和动态网络下的聚合稳定性问题。本文提出PPE-FL方案，通过轻量级投票机制替代传统梯度上传，降低89.5%通信成本，并设计混淆机制保护隐私，同时支持动态网络下的掩码重建。

　　

摘要：

随着无处不在的连接技术的迅速发展，无人智能代理网络（IUA）已成为分布式智能感知和决策的一个有前景的范式。在这样的系统中，众多无人智能代理协同收集环境数据以支持协调任务。为了保护数据隐私，联邦学习（FL）作为一种去中心化的机器学习框架，能够在不直接交换原始数据的情况下实现全局模型的协同训练。然而，在IUA环境中，FL面临几个关键挑战，包括在受限无线带宽下的高通信开销、共享模型参数可能导致的隐私泄露以及由于连接不稳定而导致的代理退出。为了解决这些问题，我们提出了PPE-FL，这是一种专为IUA场景设计的、具有隐私保护和通信效率的联邦学习方案。PPE-FL用轻量级的基于排名的投票方式替代了传统的高维梯度上传方法，大幅降低了通信开销。接着，我们设计了一种混淆机制来保护本地生成的基于排名的投票的隐私，从而保护了原始数据和中间参数。此外，PPE-FL通过在线无人智能代理之间的部分交互支持掩码重构，使得在动态网络条件下仍能进行稳健的聚合。实验结果表明，与VCD-FL相比，PPE-FL将通信成本降低了89.5%；与PPML相比，通信成本降低了87.7%，同时保持了模型准确性和隐私保护。