基于深度强化学习的车辆选择方法，在异步联邦学习启用的车辆边缘计算环境下

Apr, 2023

基于深度强化学习的车辆选择方法，在异步联邦学习启用的车辆边缘计算环境下

Deep Reinforcement Learning Based Vehicle Selection for Asynchronous Federated Learning Enabled Vehicular Edge Computing

PDF

Qiong Wu, Siyuan Wang, Pingyi Fan, Qiang Fan

TL;DR因为传统的车联网在上传到云处理中会有延迟，所以为了解决这一问题并提高系统性能，引入了边缘计算，在此基础上采用联邦学习，其中异步联邦学习则采用深度强化学习作为车辆的选择问题模型，模拟结果表明有效提高了全局模型聚合的准确性。

Abstract

In the traditional vehicular network, computing tasks generated by the vehicles are usually uploaded to the cloud for processing. However, since task offloading toward the cloud will cause a large delay, vehicular edge computing (VEC) is introduced to avoid such a problem and improve t

vehicular edge computing federated learning asynchronous federated learning deep reinforcement learning global model aggregation

发现论文，激发创造

反拜占庭攻击下的异步联邦学习车辆选择在车辆边缘计算中的应用

基于深度强化学习的车边计算中，根据车辆的整体性能和遭受的拜占庭攻击程度，提出了一种车辆选择方案，以有效提高全局模型的安全性和准确性。

Apr, 2024

车联网边缘计算中的自适应并行分割联邦学习

本研究工作中，通过对分割学习和联邦学习优势的结合，提出了一种适应性分割联邦学习方案，用于车辆边缘计算。此方案通过自适应地分割模型并并行化训练过程，考虑了移动车辆选择和资源分配，极大地降低了训练延迟，并适应了网络动态和车辆的移动性。

May, 2024

高度移动连接车辆的资源受限车联网边缘联邦学习

本文提出了一种汽车边缘联合学习（VEFL）方案，其中边缘服务器利用高移动性的连接车辆（CV）的机载中央处理单元（CPU）和本地数据集来训练全局模型，并通过关于 CV 的训练模型成功接收的收敛分析来选择参数优化子问题。

Oct, 2022

基于共识的连接车辆增强分散联合学习

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

车联网中的联邦学习

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

VREM-FL: 车联网联邦学习的移动感知计算调度一体化设计

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

车辆间通信增强的动态调度联邦学习

利用车辆的计算和感知能力，本文提出了一种车辆联邦学习（VFL）算法，通过直接车对车（V2V）通信增强 VFL 训练效率，并考虑能量限制和车辆的移动性问题来优化 VFL 训练性能。通过导数漂移加罚方法将长期随机优化问题转化为在线混合整数非线性规划（MINLP）问题，并通过理论分析来衡量在线解和离线最优解之间的性能差距。通过对调度优先级的进一步分析，将原始问题简化为一组凸优化问题，并使用内点法有效求解。实验结果表明，与现有基准相比，所提出的算法将 CIFAR-10 数据集上的图像分类准确度提高了 3.18％，并将 Argoverse 轨迹预测数据集上的平均位移误差降低了 10.21％。

Jun, 2024

面向多无人机协助边缘计算的个性化联邦深度强化学习轨迹优化

在 5G 移动通信时代，研究聚焦于无人机和移动边缘计算技术方面出现了显著增长。本研究提出了一种名为个性化联邦深度强化学习（PF-DRL）的新解决方案，用于多无人机轨迹优化。模拟结果表明，该算法具有更快的收敛速度和改善服务质量，优于其他基于深度强化学习的方法。

Sep, 2023

基于多智能体强化学习的可重构智能表面辅助 VEC

车辆边缘计算通过执行本地任务或将任务卸载到附近边缘设备来实现高强度任务处理，而可重构智能表面则通过灵活调整相位来提供替代通信路径。本文提出了一个新的深度强化学习框架，结合修改后的多智能体深度确定性策略梯度（MADDPG）方法和块坐标下降（BCD）算法，用于优化车辆用户（VUs）的功率分配和可重构智能表面的相位调整，在模拟结果中表现出优于集中式深度确定性策略梯度（DDPG）方案和随机方案的性能。

Jun, 2024

互联与自动驾驶车辆的联邦学习：现有方法和挑战综述

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