[論文レビュー] Joint Auction-Coalition Formation Framework for Communication-Efficient Federated Learning in UAV-Enabled Internet of Vehicles

Jer Shyuan Ng, Wei Yang Bryan Lim+7 more|arXiv (Cornell University)|Jul 13, 2020

Privacy-Preserving Technologies in Data被引用数 6

ひとこと要約

本稿では、UAVが無人航空機（UAV）を用いたインテリジェント・ビークル（IoV）ネットワークにおける通信制約のあるフェデレーテッドラーニング（FL）を効率的に支援できるようにする、共同オークション・コalition形成フレームワークを提案する。オークションメカニズムとマージ・スプリットコalition形成アルゴリズムを組み合わせることで、UAVのIoVセルへの割り当てを最適化し、個々のUAVの利益を最大化するとともに、安定かつ通信効率の良いFL学習を実現する。シミュレーションの結果、協力コストが閾値を超えると、グランドコアリション（全UAVが参加するコアリション）は不安定になることが示された。

ABSTRACT

Due to the advanced capabilities of the Internet of Vehicles (IoV) components such as vehicles, Roadside Units (RSUs) and smart devices as well as the increasing amount of data generated, Federated Learning (FL) becomes a promising tool given that it enables privacy-preserving machine learning that can be implemented in the IoV. However, the performance of the FL suffers from the failure of communication links and missing nodes, especially when continuous exchanges of model parameters are required. Therefore, we propose the use of Unmanned Aerial Vehicles (UAVs) as wireless relays to facilitate the communications between the IoV components and the FL server and thus improving the accuracy of the FL. However, a single UAV may not have sufficient resources to provide services for all iterations of the FL process. In this paper, we present a joint auction-coalition formation framework to solve the allocation of UAV coalitions to groups of IoV components. Specifically, the coalition formation game is formulated to maximize the sum of individual profits of the UAVs. The joint auction-coalition formation algorithm is proposed to achieve a stable partition of UAV coalitions in which an auction scheme is applied to solve the allocation of UAV coalitions. The auction scheme is designed to take into account the preferences of IoV components over heterogeneous UAVs. The simulation results show that the grand coalition, where all UAVs join a single coalition, is not always stable due to the profit-maximizing behavior of the UAVs. In addition, we show that as the cooperation cost of the UAVs increases, the UAVs prefer to support the IoV components independently and not to form any coalition.

研究の動機と目的

• リソース制約のあるIoV環境におけるフェデレーテッドラーニング（FL）の通信非効率性とノードの脱落を解消すること。
• UAVを無線リレーデバイスとして活用することで、IoVコンponentsとFLサーバー間の信頼性の高いモデルパラメータの交換を実現し、FLのパフォーマンスを向上させること。
• UAVの能力の非一様性とIoVコンponentsの好みを考慮した、安定的で利益最大化可能なUAVコアリション形成メカニズムを設計すること。
• 動的UAVリソース割り当てを通じて、大規模かつ移動性の高いIoVネットワークにおける通信効率性とスケーラビリティを確保すること。

提案手法

• 各IoVセルがUAVコアリションに対して、その重要性とUAVまでの距離に基づいて入札を行うオークションベースの割り当て方式を設計した。
• UAVの総利益を最大化する最適なコアリション構造を決定するために、マージ・スプリットアルゴリズムを用いた。
• UAVの戦略的行動をモデル化するため、コアリション形成ゲームを定式化し、利益最大化を目的関数とした。
• 利益計算にUAV協力コスト、エネルギー消費、モデル学習イテレーション回数を統合することで、現実の制約を反映させた。
• 共同オークション・コアリションメカニズムにより、集団的利益を最大化しつつ、個々の合理性を尊重したUAVの安定的パーティショニングが保証された。
• システムはFLイテレーション回数や協力コストの変化に動的に適応し、リアルタイムでのUAV割り当て意思決定を可能にした。

実験結果

リサーチクエスチョン

• RQ1 全UAVが参加するグランドコアリションはどのような条件下で形成され、利益最大化行動によっていつ不安定化するのか？
• RQ2 UAV間の協力コストはコアリション形成と全体のシステム利益にどのように影響するか？
• RQ3 FL学習イテレーション回数の増加が、UAVコアリションの規模と総利益に与える影響は何か？
• RQ4 提案された共同オークション・コアリションフレームワークは、ランダムまたはヒューリスティックベースの割り当て方式と比較して、利益および安定性の面でどのように優れているか？

主な発見

• グランドコアリションは常に安定的ではない。協力コストが4を超えると、UAVはコアリションを結成するよりも独立運用を好む。
• 協力コストが≥4の場合、個々のUAVはいかなるコアリション内でも得られる総利益（95.7）を上回るため、コアリション形成は利益が得られなくなる。
• FLイテレーション回数が増加するにつれ、エネルギー消費の増加によりUAVが得る総利益が減少し、80回を過ぎると著しく低下する。
• イテレーション数が中程度（例：50）の場合、3人コアリションが利益最大化において最適であるが、4人以上の大規模コアリションは、コストが収益を上回るため形成されない。
• 共同オークション・コアリションフレームワークは、マージ・スプリット＋ランダム割り当ておよびランダムパーティショニング＋第二価格オークションの両方の手法をすべてのシミュレーションラウンドで上回り、一貫して最高の利益を達成した。
• イテレーション数が100に達すると、UAVはいかなるコアリションも結成せず、IoVセルの支援も行わない。参加コストが見込める利益を上回るためである。