UAV辅助联邦边缘学习的感知计算通信一体化

这份资料处理的是一个具体的系统设计问题：当无人机搭载的边缘设备参与联邦边缘学习时，UAV该部署在哪里，机载的感知、计算、通信资源又该怎么分配，才能让训练时间最短。它值得现在看，是因为FEEL的很多研究仍假设训练数据已经就位，而这份资料把数据感知过程放回了优化问题。UAV的灵活性和移动性让它在高效数据采集中很有优势，但感知、计算、通信在UAV辅助FEEL中高度耦合、争抢有限的机载资源，部署位置又同时牵动感知质量和通信效率。材料指出，已有研究大多把UAV当作携带数据集的FL客户端或模型聚合器，很少考虑数据感知；最接近的ISCC资源管理研究也没有把UAV部署纳入问题形式化，这个空白正是它的切入点。

资料以基于无线感知的人体运动识别作为具体案例，把工作拆成分析与优化两块。分析方面，它先考察UAV部署对感知质量的影响，识别出保证数据样本质量满意的感知仰角阈值；由于感知信道非理想，采用概率感知模型，每个UAV的成功感知概率由其位置决定。优化方面，它推导FEEL训练损失的上界，把上界写成感知概率的函数，然后在期望最优性差距约束下形式化训练时间最小化问题，联合优化UAV部署与ISCC资源。作者团队来自香港中文大学、深圳大数据研究院、东南大学和香港城市大学，方法上以理论推导加仿真验证为主。

第一个值得注意的结论是感知仰角存在门槛。材料说，作者识别出一个感知仰角阈值，达到它才能保证数据样本质量令人满意；换句话说，并不是UAV飞得越高或离目标越近就越好，感知几何关系本身就划定了可用范围。第二个结论关于收敛：在概率感知模型下，训练损失的上界可以表示为感知概率的函数，理论结果表明，如果各个UAV具有均匀的成功感知概率，收敛速率能够改善。这意味着感知成功率在空间上的均衡性会通过损失上界传导到训练效率，而不只是“平均感知质量”一个标量。

第三个结论是感知与通信之间存在结构性权衡。材料解释得很清楚：缩短UAV到服务器的距离有利于通信，较短的相对距离和较大仰角有利于LOS链路；但UAV-服务器距离越短，UAV-目标距离就越长，感知环境越复杂，密集障碍物会妨碍UAV成功感知目标，感知质量随之下降。正因如此，部署位置不能只按通信链路来选。针对由此形成的混合整数非凸训练时间最小化问题，作者采用交替优化，提出带宽、批量大小和位置优化（BBPO）方案，轮流优化这三个决策变量；仿真结果显示，BBPO在收敛速率和测试准确率上都优于对比的基线方案。

这些结论对系统设计的含义是，UAV选址和资源分配需要放在同一个问题里考虑。单独优化通信会把UAV拉向服务器，单独优化感知又会把它推离，只有联合调整位置、带宽和批量大小，才能压住训练时间；材料中机载能量有限、训练时长受严格约束这一点，进一步放大了这种耦合。我的解读是，BBPO的作用不在于某个变量有奇效，而在于它把三个本来互相牵扯的变量放进同一个交替优化循环，避免在单点上做局部最优。如果把感知仰角阈值当作选址的前置筛选条件，先排除一批明显不满足感知质量的位置，再在剩余候选上做资源分配，也是基于上述分析的合理推论。

这份资料适合做边缘智能、UAV通信和ISCC资源管理的研究者与系统设计者读。读完可以拿走三样东西：一个把成功感知概率写进FEEL收敛上界的分析框架；一个用交替优化处理部署与资源联合决策的BBPO流程；以及“感知质量与通信效率此消彼长”这一权衡的明确表述。边界也需要说清楚：结论建立在基于无线感知的人体运动识别这一具体案例上，换到其他感知任务是否仍成立，材料没有覆盖；BBPO是交替优化，面对混合整数非凸问题并不保证全局最优；仿真对比给出的是相对基线的优势，材料没有展开具体数值。把它当作问题建模和优化思路的参考，比当作即插即用的部署配方更合适。

Integrated Sensing, Computation, and Communication for UA V-assisted Federated Edge Learning Yao Tang, Guangxu Zhu, Wei Xu, Man Hon Cheung, Tat-Ming Lok, and Shuguang Cui Abstract Federated edge learning (FEEL) enables privacy-preserving model training through periodic com- munication between edge devices and the server. Unmanned Aerial Vehicle (UA V)-mounted edge devices are particularly advantageous for FEEL due to their flexibility and mobility in efficient data collection. In UA V-assisted FEEL, sensing, computation, and communication are coupled and compete for limited on- board resources, and UA V deployment also affects sensing and communication performance. Therefore, the joint design of UA V deployment and resource allocation is crucial to achieving the optimal training performance. In this paper, we address the problem of joint UA V deployment design and resource