具有上下文客户端选择的 V2X 增强联邦学习的合作智能交通系统
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
未来的自动驾驶车辆将使用各种传感器生成大量数据,该研究论文提出了一种联邦测量和学习系统,通过车辆间通信提供实时数据,并通过车辆到网络链接运行联邦学习方案来创建交通网络的预测模型。研究结果表明,该方案能够提高学习性能并防止聚合服务器侧的窃听。
Jan, 2024
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
在本研究中,我们提出了一种分布式客户选择方案,以减少所有参与者维护活动状态的成本,并通过使用模糊逻辑作为评估器实现了对最高评价客户的选举,从而在准确性上接近集中式客户选择并显著减少通信开销。
Jan, 2024
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
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
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
这项研究提出了一种结合联邦学习和区块链的实用方法,用于构建一个分散化的车辆网络,以解决互联车辆系统中的数据隐私和安全问题,并展示了相比常规的分散化联邦学习技术,该方法在车辆网络的性能和安全性方面显著提升。
Nov, 2023