Key points are not available for this paper at this time.
نحقق في تدريب نماذج تعلم الآلة عبر مجموعة من الكتل الجغرافية الموزعة والمقيدة بالموارد من الأجهزة من خلال أسراب الطائرات بدون طيار. تحفز وجود تباين البيانات المتغير زمنياً وعدم كفاية الموارد الحاسوبية بين كتل الأجهزة أربعة أجزاء رئيسية من منهجيتنا: (i) أسراب الطائرات بدون طيار المصنفة من القادة والعمال والمنسقين، (ii) التعلم الفيدرالي الشخصي الهرمي المدمج (HN-PFL)، وهو إطار عمل موزع لتدريب النماذج الشخصية عبر تسلسل الشبكة بين العمال والقادة، (iii) تجميع موارد الطائرات بدون طيار التعاونى لمعالجة عدم كفاية الموارد الحاسوبية للأجهزة من خلال إجراء تدريب النماذج بين أسراب الطائرات بدون طيار، و(iv) انحراف النموذج/المفهوم لوضع نماذج توزع البيانات المتغيرة زمنياً. في القيام بذلك، نعتبر كل من التصميم على المستوى الدقيق (أي مستوى الطائرات بدون طيار) وعلى المستوى الكلي (أي مستوى السرب). على المستوى الدقيق، نقترح HN-PFL المدرك للشبكة، حيث نقوم بتنظيم الطائرات بدون طيار داخليًا داخل الأسراب لتحسين استهلاك الطاقة وأداء نموذج تعلم الآلة مع ضمانات الأداء. على المستوى الكلي، نركز على تصميم مسار السرب ومدة التعلم، والتي نصيغها كمشكلة اتخاذ قرارات متتابعة يتم معالجتها عبر التعلم المعزز العميق. توضح محاكياتنا التحسينات التي حققتها منهجيتنا من حيث أداء تعلم الآلة، وتوفير موارد الشبكة، وكفاءة مسار السرب.
درس وانغ وآخرون (2022) هذا السؤال.