Joint Self-Organizing Maps and Knowledge-Distillation-Based Communication-Efficient Federated Learning for Resource-Constrained UAV-IoT Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The adoption of Internet of Things (IoT) and monitoring devices in 5G and beyond networks has been widespread. Unmanned aerial vehicles (UAVs) have shown success in connecting rural and remote areas due to the high cost of deploying infrastructures like cellular network base stations and optical fiber connections in vast landscapes with sparse populations. The constrained energy of UAVs results in limited coverage area and flight time, which in turn reduces the potential of UAVs to provide task-oriented wireless communication links. In this article, we explore path optimization and transmission organization algorithms to minimize flight time and extend the range of UAVs performing collaborative federated learning (FL) among geographically dispersed nodes communicating through wireless connections offered by UAVs coupled with device-to-device (D2D) networks. The UAV orchestrates FL between spatially scattered homes via long-range radio wireless communication. We formulate the drone path optimization as a traveling salesman problem (TSP) and employ self-organizing maps (SOM) for path planning. Additionally, knowledge distillation (KD)-based FL is used to reduce communication overhead for the resource-constrained UAV-IoT system. Experimental results demonstrate SOM’s ability to represent the topological structure of nodes and produce a cost-efficient Hamiltonian cycle, from which the drone path is derived. Our results demonstrate the communication efficiency and utility of KD-based FL compared to model-based FL methods. The proposed hybrid solution enables energy-constrained UAVs to perform FL over large areas leveraging a shared data set for KD and a SOM-based path optimization algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle