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

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

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

通过结合图神经网络和联邦多智能体强化学习，提出了一种分布式联邦学习框架用于优化保持信息新鲜度的道路场景下的多智能体卸载决策，该方法在模拟实验中验证了优于其他方法的性能。

Jul, 2024

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

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

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

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

本论文针对汽车间的计算任务卸载环境动态不确定的挑战，提出了一种基于自适应学习的任务卸载算法，在多臂赌博理论基础上，利用邻近车辆的卸载延迟性能进行学习并且能够适应动态环境，实现了分布式协作的任务卸载，并证明了具有子线性的学习遗憾。在综合考虑各种不确定性的条件下，实验结果表明，相比现有的以置信上限为基础的学习算法，该算法使任务卸载延迟性能更优，平均延迟降低了高达 30%。

Jan, 2019

在车辆网络中，针对威胁到模型完整性的敌对或不可靠车辆的显著挑战，我们的研究引入了一种集成动态车辆选择和强健异常检测机制的新框架，旨在优化参与者选择并减轻恶意贡献相关风险。

May, 2024