摘要
无人机辅助的分层联邦学习依赖于客户端与无人机之间的数据上传以及无人机与基站之间的数据传输。然而，数据传输的不可靠性、非独立同分布（Non-IID）数据以及模型传输的重复性都会影响数据聚合和通信的效率。本文提出了一种名为“可靠性感知的客户端-向量自适应双级聚合”（Reliability-Aware Client-Vector Adaptive Dual-Level Aggregation，简称RCAD）的方法，该方法结合了自适应聚合机制、有界逆概率校正算法、跨轮次权重平滑技术以及概率性的客户端与无人机参与策略。我们在四种受控的通信环境中对RCAD进行了测试，分别与其它四种算法（FedAvg、ClientAdaptive、TwoLevelUnbiased、FedAWA的分层实现版本以及Oort-H）进行了对比，每种算法进行了五次实验。结果表明，RCAD在F1分数上具有竞争力，同时将平均加权上传成本降低了14.8%，并将平均F1分数与成本比提高了17.9%。在从32个客户端/4架无人机扩展到128个客户端/16架无人机的可扩展性研究中，RCAD的标准化通信成本基本保持在0.83–0.85之间。通过对图像数据集的实验以及对各个组件和整个框架的敏感性分析，我们进一步检验了RCAD的性能表现。
