在无人驾驶的精确感知模型的改进中，持续在线模型训练变得至关重要。联邦学习 (FL) 在车载网络中为模型训练提供了高效的机制，同时保持了原始感知数据的完整性。然而，FL 面临非分布相同的数据 (例如，数量偏斜) 问题，导致模型训练的收敛速度不理想。在以前的工作中，我们引入了 FedLA，一种创新的面向 FL 的标签感知聚合方法，用于解决通用场景中的数据异质性问题。本文中，我们引入了 FedProx+LA，这是一种建立在最先进的 FedProx 和 FedLA 基础上的新 FL 方法，用于解决车载网络中的数据异质性问题。我们评估了 FedProx+LA 在连续在线目标检测模型训练中的有效性。通过与常规方法和最先进方法的比较分析，我们的研究结果显示了 FedProx+LA 的卓越收敛速度。值得注意的是，如果标签分布非常异质，我们的 FedProx+LA 方法相比基准方法在检测性能上显示出显著的改进，还优于我们以前的 FedLA 方法。此外，与基准方法相比，FedLA 和 FedProx+LA 的收敛速度提高了 30%。

May, 2024

本论文提出了一种新的基于大规模无线连接的联邦学习框架，用于设计连接和自动驾驶车辆（CAVs）的自主控制器。使用联合训练模型，应对 CAVs 参与联邦学习过程的不同和数据质量的多样化，提出了动态联邦近端算法（DFP）。在此基础上，设计了基于合同理论的激励机制，以提高 FL 的收敛速度。仿真结果表明，DFP 控制器可以精确跟踪目标 CAV 在不同交通场景下的车速。

Feb, 2021

本文提出了两种基于去中心化的联邦学习聚合方法 —— 可交换联邦学习、交替式联邦学习，用于解决现有模型机器学习模型在无人机领域数据隐私、通信成本、以及能源等方面存在的问题，通过控制本地训练轮数、本地通信以及全局通信的方式，可有效地控制能源消耗和通信成本，模拟结果表明该方法在运行稳定性、能源消耗和通信成本等方面优于现有的基准方法。

Apr, 2023

本文提出了一种叫做 FedAlign 的基于局部学习广泛性而非接近约束的数据异构性联邦学习解决方案，其可在不引入大量计算和内存开销的情况下实现与最先进的 FL 方法相当的精度。

Nov, 2021

本文针对数据异构性与无线资源分配相结合的无线联邦学习问题，提出了性能分析与优化的方法，在考虑数据异构性的同时，优化客户端调度、资源分配和本地训练轮数，通过实验验证了该算法在学习准确性和能量消耗方面的优势。

Aug, 2023

AutoFed 是一个异构感知的联邦学习框架，利用众多多模式传感器数据来实现鲁棒的自动驾驶。

Feb, 2023

本文研究车联网应用中的联邦学习与集中式学习的可行性，探讨了基于图像数据集的目标检测，分析了数据标注、模型训练的挑战，以及数据速率、可靠性、隐私和资源管理等通信方面的问题，并为联邦学习在车联网领域中的未来研究方向提供了展望。

Jun, 2020

我们提出了一种新的客户端选择方案来增强收敛性，通过优先考虑快速 UAV 和高可靠性评分，同时从训练中排除恶意 UAV，通过实验评估了该方案在不同攻击场景中的抵抗性和模型准确性，并展示了与基准方法相比所提出方法的性能优势。

Dec, 2023

本篇论文提出了一种基于联邦学习的动态地图融合框架，可在 FoVs 内有效预测目标数量和融合多个本地地图，实现高质量的地图制作，并在 CARLA 模拟平台上得到广泛的实验验证。

Mar, 2021

本研究提出一种新方法来解决联邦学习中的问题，并在本文所述的公开基准数据集（如 Femnist）以及自己收集的数据集（即流量分类）上验证了该方法的有效性，结果表明这种方法在极端情况下具有显著的优势。

Nov, 2020