在资源受限的无人机网络中，用于图像编码的自适应U形分割联邦学习方法

《IEEE Internet of Things Journal》：Adaptive U-Shaped Split Federated Learning for Image Coding at Resource-Constrained UAV Network

U-shaped分联邦学习通过优化模型分割与聚合策略，有效解决了无人机动态通信与计算资源波动导致的训练效率问题，理论分析与实验表明其收敛速度提升1.61倍且MS-SSIM指标提高4.4%。

　　

摘要：

U形分割联邦学习（U-SFL）在图像编码领域得到了广泛应用，因为它能够有效平衡并行训练、模型隐私和本地计算成本。U-SFL的性能在很大程度上取决于分割点的选择和聚合频率，因此模型分割（MS）和模型聚合（MA）策略至关重要。在无人机场景中，通信链路的波动和计算资源的限制会显著影响U-SFL的性能。为了解决这一问题，我们提出了一个资源自适应的U-SFL（AU-SFL）框架，该框架可以根据可用的计算和通信资源自适应地选择最优的MS和MA策略。具体来说，我们首先进行了理论收敛性分析，系统地量化了MS和MA策略对收敛行为的影响。然后，基于理论收敛性分析，我们构建了一个旨在最小化训练延迟的优化问题。接下来，我们提出了一种交替MS-MA算法来解决该问题，该算法被分解为两个子问题并交替求解。在多个基准数据集上的广泛实验表明，AU-SFL在收敛时间上实现了1.61倍的减少，同时将多尺度结构相似性指数（MS-SSIM）提高了4.4%，从而验证了我们自适应优化策略的有效性。

引言

无人机（UAV）捕获的图像数据量正在迅速增加，这需要精确的实时图像编码和高效的处理。传统上，在这样的分布式无人机系统中，数据从各个无人机收集并传输到中央云服务器以训练强大的模型。然而，集中式学习（CL）面临计算负载和隐私问题等挑战[1]，限制了其有效部署。