May, 2024
面向鲁棒车辆目标检测的异构数据处理的联邦学习
Federated Learning with Heterogeneous Data Handling for Robust Vehicular Object Detection
Ahmad Khalil, Tizian Dege, Pegah Golchin, Rostyslav Olshevskyi, Antonio Fernandez Anta...
TL;DR在无人驾驶的精确感知模型的改进中，持续在线模型训练变得至关重要。联邦学习 (FL) 在车载网络中为模型训练提供了高效的机制，同时保持了原始感知数据的完整性。然而，FL 面临非分布相同的数据 (例如，数量偏斜) 问题，导致模型训练的收敛速度不理想。在以前的工作中，我们引入了 FedLA，一种创新的面向 FL 的标签感知聚合方法，用于解决通用场景中的数据异质性问题。本文中，我们引入了 FedProx+LA，这是一种建立在最先进的 FedProx 和 FedLA 基础上的新 FL 方法，用于解决车载网络中的数据异质性问题。我们评估了 FedProx+LA 在连续在线目标检测模型训练中的有效性。通过与常规方法和最先进方法的比较分析，我们的研究结果显示了 FedProx+LA 的卓越收敛速度。值得注意的是，如果标签分布非常异质，我们的 FedProx+LA 方法相比基准方法在检测性能上显示出显著的改进，还优于我们以前的 FedLA 方法。此外，与基准方法相比，FedLA 和 FedProx+LA 的收敛速度提高了 30%。