Federated Learning in UAV-Assisted MEC Systems: A Comprehensive Survey
Notice bibliographique
Résumé
In recent years, the integration of Uncrewed Aerial Vehicles (UAVs) into Multi-Access Edge Computing (MEC) systems has emerged as a transformative paradigm revolutionizing the landscape of data processing and analysis. By leveraging UAVs as MEC platforms, computing and storage capabilities are extended closer to data sources, thus facilitating real-time data processing and enabling smooth decision-making. This synergy between UAVs and MEC not only enhances the efficiency of data-intensive applications but also unlocks new possibilities for innovative services across various domains such as environmental monitoring, urban planning, and emergency response. The escalating demand to harness big data for several applications, empowered by Artificial Intelligence (AI), heralds a new era of ubiquitous data-driven intelligent services. Traditionally, Machine Learning (ML) approaches involve aggregating datasets and training models centrally, which poses several security risks. Alternatively, Federated Learning (FL), as a decentralized ML method, enables users to collaboratively train their ML models without compromising the privacy of their data. This paper comprehensively overviews UAV-assisted MEC systems, which rely on ML for several services, by shedding light on the vast opportunities it presents and discussing how to tackle its related key challenges. Subsequently, we provide an in-depth survey of the fundamentals and enabling technologies of FL, a pioneering technique poised to democratize ML at the edge of wireless networks such as those supported by UAVs. Also, we conduct an extensive analysis to identify the various applications of FL in UAV-assisted MEC systems, along with a nuanced examination of their associated challenges and limitations. Finally, we discuss some of the most important future research directions.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».