本論文では、複数の無人航空機（UAV）による共同モバイルエッジコンピューティングシステムが直面する、軌道計画、タスクオフロード、リソース配分の調整に関する課題を解決するための新しいフレームワーク「AirFed」を提案しています。既存のアプローチはスケーラビリティが限られ、収束が遅く、UAV間の知識共有が非効率的であるため、特に厳しい締切がある大規模IoTデバイス展開において問題があります。AirFedは、ダイナミックなグラフアテンションネットワークを用いてUAVとIoTデバイス間の時間的空間的依存関係をモデル化し、継続的な軌道制御と離散的なタスクオフロードを最適化するためのアーキテクチャを開発しています。また、レピュテーションに基づく分散連合学習メカニズムを導入し、効率的で堅牢な知識共有を実現します。実験結果から、AirFedは既存手法に比べてコストを42.9%削減し、99%以上の締切達成率と94.2%のIoTデバイスカバレッジを記録しました。