7、移动边缘网络中的联邦学习：无人机网络应用与机制设计

移动边缘网络中的联邦学习：无人机网络应用与机制设计

1. 联邦学习概述与面临的挑战

联邦学习（FL）作为一种在移动边缘网络中实现协作模型训练的技术，具有重要的应用价值。然而，在其实施过程中面临着诸多挑战，以下是一些关键问题及相应的解决思路：
- 激励机制设计挑战
- 劳动者激励难题 ：在大型网络中，劳动者的成本各不相同，且他们没有义务如实报告。现有的研究大多采用单维合同，难以捕捉网络中劳动者的复杂性和异质性。为解决这一问题，可设计多维合同激励方案，以应对联邦学习网络中多源信息不对称的情况。
- 竞争环境下的激励机制 ：现有激励机制设计通常假设联邦具有垄断性，但实际情况可能存在例外。例如，劳动者可能是竞争的数据所有者，不愿分享模型参数；联邦学习服务器之间也可能存在竞争。针对这种情况，可设计基于深度学习的拍卖机制，以模拟多个模型所有者之间对受限参与的竞争。
- 资源分配问题
- 异构网络中的资源分配 ：在异构移动网络中，资源分配对于确保高效的联邦学习至关重要。需要考虑不同维度的资源异质性，如计算和通信能力、参与意愿以及本地模型训练的数据质量。同时，传统的优化方法在无线电资源管理中已得到广泛应用，但大多数研究忽略了联邦学习网络中劳动者的动态和自组织特性。
- 资源优化与权衡 ：使用模型压缩方案降低通信成本会带来更高的计算成本或更低的推理精度。因此，需要一个可扩展的模型，以适应不同的需求。例如，可让联邦学习服务器在分配训练重要性时校准公平性水平