[논문 리뷰] Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms

Tengchan Zeng, Omid Semiari외 4명|arXiv (Cornell University)|2020. 02. 19.

UAV Applications and Optimization참고 문헌 16인용 수 15

한 줄 요약

이 논문은 무인항공기(UAV) 기반 군집에서 페더레이티드 러닝(FL) 수렴을 최적화하기 위해 무선 채널 이상 현상(부정적 경로, 지연, 안테나 정렬 오류 등)을 고려한 공동 전력 할당 및 스케줄링 프레임워크를 제안한다. 이러한 제약 조건 하에서 FL 수렴을 분석하고, 확률적 프로그래밍과 이중 분해를 활용한 방법은 기준 대비 최대 35%까지 통신 라운드 수를 감소시켜, 동적 공중 환경에서 에너지 효율성과 실시간 성능을 향상시킨다.

ABSTRACT

Unmanned aerial vehicle (UAV) swarms must exploit machine learning (ML) in order to execute various tasks ranging from coordinated trajectory planning to cooperative target recognition. However, due to the lack of continuous connections between the UAV swarm and ground base stations (BSs), using centralized ML will be challenging, particularly when dealing with a large volume of data. In this paper, a novel framework is proposed to implement distributed federated learning (FL) algorithms within a UAV swarm that consists of a leading UAV and several following UAVs. Each following UAV trains a local FL model based on its collected data and then sends this trained local model to the leading UAV who will aggregate the received models, generate a global FL model, and transmit it to followers over the intra-swarm network. To identify how wireless factors, like fading, transmission delay, and UAV antenna angle deviations resulting from wind and mechanical vibrations, impact the performance of FL, a rigorous convergence analysis for FL is performed. Then, a joint power allocation and scheduling design is proposed to optimize the convergence rate of FL while taking into account the energy consumption during convergence and the delay requirement imposed by the swarm's control system. Simulation results validate the effectiveness of the FL convergence analysis and show that the joint design strategy can reduce the number of communication rounds needed for convergence by as much as 35% compared with the baseline design.

연구 동기 및 목표

• 지속적인 지상 연결이 불안정하고 무선 채널 조건이 불안정한 UAV 군집에서 페더레이티드 러닝(FL)을 구현하는 데 도전하는 것.
• 바람과 진동으로 인한 안테나 각도 이격, 다중 경로 fading, 전송 지연 등의 무선 요소가 UAV 네트워크에서 FL 수렴에 미치는 영향을 분석하는 것.
• 에너지 및 지연 제약 조건을 만족하면서 FL 수렴 라운드 수를 최소화하기 위해 전력 할당과 사용자 스케줄링을 공동으로 최적화하는 것.
• 채널 불확실성을 고려하고 고속 이동성에 의한 UAV 군집에서 안정적이고 에너지 효율적인 FL 수렴을 보장하는 확률적 최적화 프레임워크를 개발하는 것.

제안 방법

• 주도 UAV가 군집 내 무선 네트워크를 통해 따라하는 UAV들로부터 국소 모델을 집계하는 계층적 FL 프레임워크를 제안한다.
• 무선 이상 조건 하에서 FL 수렴을 철저히 분석하고, 각 FL 라운드당 기대 손실 감소의 경계를 유도한다.
• 채널 장애 확률과 오차 항목에 의존하는 강력한 기대 선형 수렴 조건을 사용하여 수렴 속도를 모델링한다.
• 에너지 및 지연 제약 조건을 충족하면서 통신 라운드 수를 최소화하는 공동 최적화 문제를 설정하고, 표본 평균 근사(SAA) 및 이중 분해를 활용한다.
• 전송 신뢰성, 채널 조건 및 시스템 파라미터에 따라 수렴 라운드 수의 닫힌 형태 표현식을 유도한다.
• 비볼록 최적화 문제를 해결하기 위해 이중 단계 접근법을 활용한다: SAA를 통한 확률적 근사와 효율적인 계산을 위한 이중 분해.

실험 결과

연구 질문

• RQ1 부정적 경로, 지연, 바람과 진동으로 인한 안테나 정렬 오류 등의 무선 채널 이상 현상이 UAV 군집에서 FL 수렴에 미치는 영향은 무엇인가?
• RQ2 실제 UAV 네트워크 조건 하에서 FL 수렴을 위한 최소 통신 라운드 수는 얼마인가?
• RQ3 에너지 및 지연 제약 조건을 만족하면서 전력 할당과 사용자 스케줄링을 공동으로 최적화하여 FL 수렴 라운드 수를 최소화할 수 있는 방법은 무엇인가?
• RQ4 채널 장애 확률이 UAV 군집에서 FL 수렴 속도에 미치는 영향은 무엇인가?
• RQ5 확률적 최적화 프레임워크는 동적 UAV 네트워크에서 수렴 속도, 에너지 효율성, 실시간 성능를 효과적으로 균형 잡을 수 있는가?

주요 결과

• 제안된 공동 전력 할당 및 스케줄링 설계는 기준 기법 대비 FL 수렴을 위한 통신 라운드 수를 최대 35% 감소시킨다.
• 수렴 분석은 무선 채널 불확실성(부정적 경로 및 안테나 정렬 오류 포함)이 FL 성능에 미치는 영향을 정확히 포착한다.
• 유도된 수렴 라운드 수 표현식은 전송 성공 확률에 명시적으로 의존하며, 이는 전송 지연 및 비추적 비트맵에 영향을 받는다.
• 표본 평균 근사(SAA)와 이중 분해의 활용은 불확실성 하에서 비볼록 최적화 문제의 효율적이고 확장 가능한 해법을 가능하게 한다.
• 고속 이동성과 간헐적인 연결 조건 하에서도 안정적이고 에너지 효율적인 FL 운영을 보장한다.
• 시뮬레이션 결과는 이론적 수렴 경계를 검증하고 수렴 속도 및 에너지 효율성 향상의 뚜렷한 성과를 보여준다.