本文探讨了无线网络设计所面临的新挑战以及应对高动态车联网环境的方法，提出了机器学习作为应对挑战的有效方法，并探讨了强化学习在管理网络资源方面的应用。

Apr, 2018

数据科学和机器学习是未来汽车工业自动学习和优化进行流程和产品的关键技术，本文定义了 “数据科学” 和 “机器学习” 的术语并介绍了它们的相关性。它还定义了 “优化分析” 一词并说明了自动优化技术在数据分析中的关键作用。同时介绍了这些技术如何在汽车产业价值链的各个子流程中被使用，并举例说明了其创新应用的可能性。最后，该文章展示了这些技术如何使汽车工业更加高效，并通过整个产品开发过程拓展客户连接，以增强其客户关注度和活动。

Sep, 2017

该研究提出了一个利用主动学习框架从实时收集的数据中，对自动驾驶车辆进行正确分类的方法，该方法通过有效处理贫乏且嘈杂的数据，并在数据质量和多样性之间进行权衡，从其他车辆接收的信息以及有关自身传感器的信息进行数据分析，从而实现高准确度的分类，而该方法相比其他现有的解决方案，具备数据传输带宽要求低的优势。

Feb, 2020

预测车辆软件系统开发中的关键点，并提出了一种基于模型和特征的方法，其中最终架构不是显式定义的，而是从迭代的搜索和优化过程中出现，并保留以单系统虚幻为特点，使应用在逻辑统一的环境中运行。

Mar, 2024

通过一系列的详细的测量活动，我们提供了一批适用于车联网 (V2X) 领域的、具有高时间分辨率的 GPS 定位的无线测量数据集，并公开了这些数据，供新研究人员使用。这些数据可用于针对 6G 及以后的无线通信技术的机器学习研究和新的车联网和工业通信用例的探索，并建议 ML 需要克服的一些挑战和利用的一些功能。}

Dec, 2022

本文提出了一种新方法，支持自动化机器学习，帮助软件工程师在不需要深入了解人工智能的情况下，选择适当的机器学习模型、算法和技术以及适当的超参数来开发人工智能密集型系统，并进行智能能源领域的案例研究。

Mar, 2022

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

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

自动驾驶领域的研究中，利用人工智能和机器学习进行车联网联合学习，通过智能车辆收集到的大量数据，在保护数据隐私和优化通信资源使用的同时，通过调度车辆的计算和传输，利用估算的无线电环境地图，协调全球模型学习，并达到降低训练时间和提高模型更新效率的目标。

Nov, 2023