车联网中的联邦学习
机器学习在互联和自动化车辆（CAV）的关键任务中被广泛应用，然而，由于对车辆数据进行模型训练，导致了与车辆用户隐私和通信开销相关的重大挑战。联邦学习是一种分散的机器学习方法，使多个车辆可以协作开发模型，从不同的驾驶环境中进行学习，提高整体性能，并同时确保本地车辆数据的隐私和安全。本论文综述了联邦学习在 CAV 中应用的进展，分析了中心化和分散化联邦学习框架的关键特性和方法学，并回顾了与 CAV 中联邦学习相关的多样数据来源、模型和数据安全技术，强调它们在确保隐私和机密性方面的重要性。其次，探讨了联邦学习的特定应用，并提供了每个应用所采用的基本模型和数据集的见解。最后，列出了 FL4CAV 面临的现有挑战，并讨论了进一步提升 FL 在 CAV 背景下的效果和效率的潜在方向。
Aug, 2023
本研究提出一种基于协议的去中心化联邦学习框架 C-DFL，以应对联邦学习在车联网中的缺陷并提高学习效果，通过大量仿真实验证明其在所有情况下优于传统方法。
Sep, 2022
本文探讨了物理层设计问题中基于联邦学习的最新进展，相比于集中化学习，联邦学习在通信开销方面更有效，但在学习准确性方面略有损失，同时探讨了模型、数据和硬件复杂性方面的设计挑战和可能的解决方案。
Feb, 2021
综合调查了智能交通系统中联邦学习的最新发展，研究了 ITS 中普遍的挑战，阐明了应用联邦学习的动机，并讨论了在物体识别、交通管理和服务提供等场景中的潜在问题。还分析了联邦学习部署引入的新挑战和其潜在的局限性，包括不均匀的数据分布、有限的存储和计算能力，以及潜在的隐私和安全问题。最后，讨论了应用联邦学习在 ITS 中仍需解决的挑战，并提出了几个未来的研究方向。
Sep, 2023
本研究提出了一个用于交通运输系统的上下文客户端选择通道，提高了联邦学习的性能，该通道使用车到一切 (V2X) 传输的信息来选择客户端，并根据预测的通信延迟来选择最小延迟的客户端。
May, 2023
在车辆自组织网络中，引入了一种基于多跳聚类的分层联邦学习框架来解决有限的通信资源、高车辆移动性和数据分布统计多样性等问题，并通过使用平均相对速度和 FL 模型参数的余弦相似度的加权组合作为聚类度量来确保收敛性，在处理非独立同分布数据的情况下，最小化簇头变更的同时处理复杂性。此框架还包括一种管理聚类头的平滑过渡机制以及向指定簇头传递最新的 FL 模型参数的新机制，同时考虑合并簇头的选项以减少数量和相关开销，并通过广泛的仿真实验，证明了相对于之前提出的聚类算法和非聚类车辆自组织网络，该分层联邦学习系统在提高准确性和收敛时间方面显著改进，并且维持了可接受的分组开销水平。
Jan, 2024
通过提出一个可评估机器学习模型可行性的新方法，本文在实际基站测量的基础上，对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估，发现较大的机器学习模型在性能上略有提升，但在碳足迹方面产生了显著的环境影响，使其在实际应用中不切实际。
Sep, 2023
本文介绍了联邦学习技术与移动边缘计算的应用，讨论了在大规模和复杂的移动边缘网络中实现联邦学习所面临的挑战以及现有解决方案，探讨了联邦学习在移动边缘网络优化中的应用，以及未来的研究方向与挑战，包括保护隐私与安全。
Sep, 2019