本研究探讨了无人机网络中的频谱感知问题，提出了一种基于联邦学习的FedSNR聚合方法，以提高信噪比下的模型准确性。实验结果表明，该方法在频谱共享和干扰管理方面优于传统方案，具有实际应用潜力。

本文探讨了基于联邦学习的频谱感知方法在认知无线电环境中的应用，分析了其动机、架构和算法，强调隐私和安全问题。联邦学习通过不共享原始数据来提高隐私性，适用于未来6G网络，并提供了设计建议和未来研究方向。

该文综述了频谱感知与强化学习研究，采用Whittle指数、深度Q学习、拉格朗日松弛等策略，解决认知无线电动态频谱接入、雷达通信共存、多智能体追踪及资源分配问题，在遗憾值、传输速率和探测性能上优于基准方法。

该文章介绍了一个基于数据驱动的框架，用于无人机协同宽带频谱感知和调度。通过多类分类问题检测空闲频谱位置，并利用强化学习解决方案将探测到的频谱空隙动态分配给无人机。通过仿真框架评估方法，并生成大型频谱数据集。

本文提出了一个基于数据驱动的框架，用于网络化的无人机协同宽带频谱感知和调度。通过多类分类问题检测空闲频谱位置，利用强化学习将探测到的频谱空隙动态分配给无人机。通过综合仿真框架评估方法，生成大型频谱数据集，用于开发基于机器学习/人工智能的空中设备频谱管理解决方案。