[論文レビュー] Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms

Tengchan Zeng, Omid Semiari+4 more|arXiv (Cornell University)|Feb 19, 2020

UAV Applications and Optimization参考文献 16被引用数 15

ひとこと要約

本稿では、フェデレーテッドラーニング（FL）の収束を最適化するために、フェ딩、遅延、アレントナのずれなどの無線チャネル劣化要因を考慮した、UAVスウォームにおける連携的パワー割り当てとスケジューリングフレームワークを提案する。これらの制約下でのFL収束を分析し、確率的プログラミングとデュアル分解を用いることで、ベースラインと比較して通信ラウンドを最大35％削減し、動的空域環境におけるエネルギー効率とリアルタイム性能を向上させる。

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.

研究の動機と目的

• 地上接続が不安定で、無線チャネル状態が不確実なUAVスウォームにおいてフェデレーテッドラーニング（FL）を導入する課題に対処すること。
• 風や振動によるフェディング、伝送遅延、アレントナの角度ずれといった無線要因が、UAVネットワークにおけるFL収束に与える影響を分析すること。
• エネルギー制約と遅延制約を満たしつつ、FL収束ラウンドを最小化するため、パワー割り当てとユーザースケジューリングを連携して最適化すること。
• チャネルの不確実性を考慮した確率的最適化フレームワークを構築し、高移動度のUAVスウォームにおいて安定的かつエネルギー効率の良いFL収束を実現すること。

提案手法

• リーダーUAVがスウォーム内無線ネットワークを通じてフォロワーUAVからの局所モデルを集約する階層的FLフレームワークを提案する。
• 無線劣化要因下でのFL収束を厳密に分析し、1ラウンドあたりの期待損失低減量の上限を導出する。
• チャネル障害確率と誤差項に依存する強い期待線形収束条件を用いて収束速度をモデル化する。
• エネルギーおよび遅延制約を満たす条件下で通信ラウンド数を最小化するための連合最適化問題を定式化し、サンプル平均近似（SAA）とデュアル分解を用いる。
• 伝送信頼性、チャネル状態、システムパラメータに依存する収束ラウンドの閉形式表現を導出する。
• 非凸最適化問題を2段階のアプローチで解く：SAAによる確率的近似と、計算効率を高めるためのデュアル分解。

実験結果

リサーチクエスチョン

• RQ1 フェディング、遅延、アレントナのずれといった無線チャネル劣化要因が、UAVスウォームにおけるフェデレーテッドラーニングの収束に与える影響は何か？
• RQ2 現実のUAVネットワーク環境下で、FL収束に必要な最小通信ラウンド数は何か？
• RQ3 エネルギー制約と遅延制約を満たしつつ、パワー割り当てとユーザースケジューリングをどのように連携最適化すれば、FL収束ラウンドを最小化できるか？
• RQ4 チャネル障害確率がUAVスウォームにおけるFL収束速度に与える影響は何か？
• RQ5 確率的最適化フレームワークは、動的UAVネットワークにおける収束速度、エネルギー効率、リアルタイム性能のバランスを効果的にとれるか？

主な発見

• 提案された連携的パワー割り当てとスケジューリング設計により、ベースライン手法と比較してFL収束に必要な通信ラウンド数が最大35％削減された。
• 収束分析は、フェディングやアレントナのずれを含む無線チャネルの不確実性がFLパフォーマンスに与える影響を正確に捉えている。
• 導出された収束ラウンドの式は、送信成功確率に明示的に依存しており、これは伝送遅延とビームずれに影響を受ける。
• サンプル平均近似とデュアル分解の活用により、不確実性下での非凸最適化問題の効率的かつスケーラブルな解法が可能になった。
• 高いUAV移動度と途切れやすい接続性下でも、安定的かつエネルギー効率の良いFL運用を保証する。
• シミュレーション結果は理論的収束境界を検証し、収束速度とエネルギー効率の顕著な向上を示した。