典型文献
数据新鲜度驱动的协作式无人机联邦学习智能决策优化研究
文献摘要：
联邦学习是6G关键技术之一,其可以在保护数据隐私的前提下,利用跨设备的数据训练一个可用且安全的共享模型.然而,大部分终端设备由于处理能力有限,无法支持复杂的机器学习模型训练过程.在异构网络融合环境下移动边缘计算(MEC)框架中,多个无人机(UAVs)作为空中边缘服务器以协作的方式灵活地在目标区域内移动,并且及时收集新鲜数据进行联邦学习本地训练以确保数据学习的实时性.该文综合考虑数据新鲜程度、通信代价和模型质量等多个因素,对无人机飞行轨迹、与终端设备的通信决策以及无人机之间的协同工作方式进行综合优化.进一步,该文使用基于优先级的可分解多智能体深度强化学习算法解决多无人机联邦学习的连续在线决策问题,以实现高效的协作和控制.通过采用多个真实数据集进行仿真实验,仿真结果验证了所提出的算法在不同的数据分布以及快速变化的动态环境下都能取得优越的性能.
文献关键词：
移动边缘计算;联邦学习;深度强化学习;无人机;信息年龄
中图分类号：
作者姓名：
范文;韦茜;周知;于帅;陈旭
作者机构：
中山大学计算机学院 广州 510006
文献出处：
引用格式：
[1]范文;韦茜;周知;于帅;陈旭-.数据新鲜度驱动的协作式无人机联邦学习智能决策优化研究)[J].电子与信息学报,2022(09):2994-3003
A类：
数据新鲜度,通信决策
B类：
协作式,联邦学习,智能决策,决策优化,6G,数据隐私,数据训练,共享模型,终端设备,处理能力,机器学习模型,模型训练,训练过程,异构网络融合,融合环境,下移,移动边缘计算,MEC,UAVs,边缘服务器,目标区域,数据学习,通信代价,无人机飞行,飞行轨迹,协同工作,工作方式,综合优化,优先级,可分解,多智能体深度强化学习,深度强化学习算法,多无人机,在线决策,决策问题,真实数据,数据分布,速变,动态环境,能取,信息年龄
AB值：
0.399569
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
