关于合作感知的联邦学习框架

Apr, 2024

On the Federated Learning Framework for Cooperative Perception

Zhenrong Zhang, Jianan Liu, Xi Zhou, Tao Huang, Qing-Long Han...

TL;DR合作感知和联邦学习在未来交通系统中具有很大潜力，但数据异质性是一个重要挑战。本研究介绍了一种专门用于合作感知的联邦学习框架，名为 FedDWA 算法，并结合动态调节损失函数。实验证明该框架能够显著改善环境感知模型的准确性，提高交通部门的协同学习解决方案。

Abstract

cooperative perception is essential to enhance the efficiency and safety of future transportation systems, requiring extensive data sharing among vehicles on the road, which raises significant privacy concerns. federate

cooperative perception federated learning data heterogeneity dynamic weighted aggregation environmental perception models

发现论文，激发创造

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

基于权重驱动联盟动力学的高效协作在联邦学习系统中的应用

在物联网时代，分散的机器学习范式变得越来越重要。在本文中，我们介绍了一种利用设备模型权重之间的欧氏距离来评估它们的相似性和差异性的联邦学习模型。这对于我们的系统是基础性的，它根据模型权重的接近程度指导设备之间的联盟形成。此外，一个代表模型权重平均值的重心的概念有助于从多个设备合并更新。我们使用均匀和异构数据分布来评估我们的方法，并将其与传统的联邦学习平均算法进行比较。数值结果证明了它在为基于物联网的机器学习提供结构化、优越和通信高效的模型方面的潜力。

Jan, 2024

面向因果联邦学习的增强鲁棒性和隐私保护

本文提出了一种在联邦学习中学习所有参与客户机中共同不变（因果）特征的方法，并经验性地分析了它如何增强模型的精度和隐私性。

Apr, 2021

用于普适计算的联邦学习聚合算法：评估和比较

本文探讨了如何应对异构设备和用户的挑战，提出了一种新型的聚合算法 FedDist，该算法能够考虑到客户端的差异性而不影响泛化能力，并在人类活动识别普适领域上通过对比测试发现其表现更好。

Oct, 2021

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

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

联邦学习能找到有益的朋友

该研究提出了一种新的算法，为参与联邦学习训练的客户分配自适应聚合权重，识别出最有利于特定学习目标的数据分布，实验证明通过该算法引导的合作在传统的联邦学习方法上取得了更好的表现，强调了客户选择的重要性。

Feb, 2024

通过无线计算进行联邦学习

提出了一种基于超过空气计算的方法，探索了无线多接入通道的叠加属性，用于边缘机器学习中的快速全局模型聚合。

Dec, 2018

FedPH: 增强隐私的异构联邦学习

提出一种新的联邦学习方法，利用预训练模型作为本地模型的骨架，使用完全连接的层组成头部来解决客户端数据分布和计算资源不同的问题，在客户端之间共享类别的嵌入向量，采用加噪声的隐私保护混合方法来保护隐私，最后在自建车辆数据集上进行全面评估。

Jan, 2023

联邦学习聚合：具有保证的新的鲁棒算法

该研究对联邦学习框架下聚合策略进行了全面的数学收敛分析，并通过与 FedAvg 进行分类任务的比较来评估其性能，得出了新的聚合算法，该算法可以通过区分客户端贡献的价值来修改其模型架构。

May, 2022