Nov, 2023

VREM-FL: 车联网联邦学习的移动感知计算调度一体化设计

PDF
TL;DR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。
assisted and autonomous drivingartificial intelligencemachine learningfederated learningvrem-fl
发现论文，激发创造
  • 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

  • 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

    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。

    Apr, 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

  • 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

  • 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

  • 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

  • 基于联邦学习的分布式动态地图融合技术在智能网络化车辆中的应用

    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

  • 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

  • 面向联合学习的自主控制器设计：用于连接和自动驾驶车辆

    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