In recent years, fairness-aware learning has been increasingly investigated. Researchers are trying to train accurate but fair classifiers. Yet, most existing methods rely on a fully- annotated dataset, which is an unrealistic assumption, since majority of the sensitive attributes of data remained unlabelled. This paper thoroughly explores this problem, namely Fairness - Aware Learning on Partially Labeled Datasets (FAL-PL) and Confidence-based Group Label Assignment (CGL), which is an innovative attempt to address FAL-PL. We conduct experiments by altering the hyperparameter, epoch, and the parameter, group-label ratio of CGL and discover that this methods results are easily affected by slight changes in the epoch and group-label ratio. Such unstableness reveals CGLs lack of robustness. We propose 2 modifications to further enhance CGL 1. Co- teaching Method for Classifier Training: We use the co-teaching method, which employs two models for training. We create these models by tweaking parameters and epochs in the original CGL model. After training, we choose the better-performing classifier based on accuracy. 2. Reducing Impact of False Pseudo Labels: We've noticed an issue with the CGL method random false label assignments can lead to errors. When two outcomes have similar probabilities, CGL might assign the wrong label. To address this, we propose a new parameter, w, based on Gini impurity. It measures similarity between probabilities and acts as a weight, minimizing the influence of unreliable labels during the training stage of final fair modelf.

Summary Unmanned aerial vehicle (UAV) communication has been proposed as an effective solution in both military and civilian scenarios, with low cost, high efficiency, high flexibility, and on‐demand deployment. Network simulation is an economically efficient method for validating new ideas in UAV communication. While some simulation tools have been proposed for UAV communications, there is a lack of a state‐of‐the‐art review to guide newcomers in this research field. In existing surveys, the discussion of network simulators is not comprehensive and the content discussed is outdated. There has also been no discussion of open‐source UAV simulation tools. To fill these research gaps, this survey presents an updated and comprehensive survey of UAV network simulation tools, including a unique collection of open‐source tools. Research challenges and opportunities have been proposed to inspire follow‐up studies.

ABSTRACT Introduction With the development and integration of satellite and terrestrial networks, mobile traffic prediction has become more important than before, which is the basis for service provision and resource scheduling when supporting various vertical applications. However, existing traffic prediction methods, especially deep learning‐based methods, require massive data for model training. Due to data privacy concerns, mobile traffic data are not easily shared among different parties, making it difficult to obtain a precise prediction model. Methods To mitigate the data leakage risk, a federated learning framework is proposed in this study for mobile traffic prediction in satellite‐terrestrial integrated networks to achieve a tradeoff between data privacy and prediction accuracy. In the proposed framework, local models are trained in base stations on the ground, and a global model is aggregated in the satellite edge server in space. Results A deep learning‐based prediction model with an adaptive graph convolutional network (AGCN) and long short‐term memory (LSTM) modules is proposed and validated in numerical experiments, which achieves the lowest prediction error with a real‐world traffic dataset when compared with other graph neural network (GNN) variants in the federated learning setting. Conclusion Numerical experiments with a real‐world mobile traffic dataset demonstrate the effectiveness of the proposed approach, which outperforms other GNN variants with lower prediction errors.