1、原文
On Smart IoT Remote Sensing over Integrated Terrestrial-Aerial-Space Networks: An Asynchronous Federated Learning Approach
https://ieeexplore.ieee.org/document/9606815
2、摘要
虽然物联网(IoT)与集成的陆空网络相结合,已经彻底改变了用于自然资源管理的无处不在的遥感领域,但由于收集的物联网数据的爆炸式增长,出现了一些研究挑战。例如,这些混合的下一代网络中的边缘节点预计将对收集到的数据进行边缘计算,以提供本地化计算以支持早期预警系统,包括森林火灾的发生和蔓延、地震波检测、海啸预报和等等。虽然边缘计算可以显着减少传统基于云的遥感分析所需的高通信时间,但重要的是开发一个轻量级的训练框架,以便在集成网络中的边缘设备获得智能遥感分析,同时保护用户的隐私。收集到的数据。在本文中,我们提出了一种用于边缘节点的异步更新联邦学习模型,以构建具有森林火灾检测用例的智能遥感本地人工智能模型,而无需与云进行显式数据交换。这共同保护了数据隐私,也减轻了网络开销。与现有方法相比,广泛的实验结果证明了我们的提议在显着高遥感精度、低收敛时间和低带宽开销方面的可行性。
3、正文
-----------------------------------------------------------
-------------------------------------------------------------
-----------------------------------------------------------
-----------------------------------------------------------
-------------------------------------------------------------
--------------------------------------------------------------
4、结论
在本文中,我们描述了通过利用集成的陆空网络来彻底改变基于物联网的遥感的新兴趋势。虽然有许多遥感场景,包括滑坡、地震、海啸、河流流量变化、自然资源管理等的早期预警系统,但在本文中,我们将重点关注森林火灾的特定用例在考虑的边缘节点具有本地化计算的早期监控系统综合网络。我们还描述了基于物联网的遥感数据爆炸式增长带来的主要研究挑战。尽管边缘计算被认为可以大大减少与云的高通信时间,但我们证明需要设计一个分布式训练框架,以便在集成网络中的边缘设备获得智能遥感分析,同时保护收集数据的隐私。在这方面,我们为边缘节点的联邦学习模型提出异步更新,以构建具有上述森林火灾检测场景的智能遥感本地AI模型。我们的提议消除了与相邻节点和/或云显式交换数据的需要。因此,我们提出的方法共同保护数据隐私,并通过有效调度深层和浅层模型参数来减轻网络开销。使用真实数据集,我们进行了实验,通过在所考虑的集成网络的不同层模拟几个边缘节点来证明我们提出的异步联邦学习模型的性能。结果表明,与当代方法相比,我们的提议不仅在高遥感精度、低收敛时间和显着低带宽开销方面是可行的。