基于 TabNet 的面向车辆应用的表格数据联邦学习

May, 2024

基于 TabNet 的面向车辆应用的表格数据联邦学习

Federated Learning for Tabular Data using TabNet: A Vehicular Use-Case

William Lindskog, Christian Prehofer

TL;DR本文研究了如何将联邦学习应用于车辆使用案例中，目标是对道路上的障碍物、异常情况和路面类型进行分类。我们提出的框架利用了联邦学习和 TabNet，这是一种用于表格数据的先进神经网络。我们是第一个展示 TabNet 如何与联邦学习集成的研究，并且我们取得了最高 93.6% 的测试准确率。最后，我们论证了联邦学习是该数据集的一个合适概念。

Abstract

In this paper, we show how federated learning (FL) can be applied to vehicular use-cases in which we seek to classify obstacles, irregularities and pavement types on roads. Our proposed framework utilizes FL and

federated learning vehicular use-cases classification tabnet test accuracy

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

TabVFL：垂直联邦学习中潜在表示的改进

TabVFL 是一个分布式框架，通过使用参与者的联合特征，改善了潜在表示学习的效果，保护了数据隐私，保留了特征相关性，并在训练过程中提供了增强的鲁棒性。

Apr, 2024

基于表格数据的联邦学习基准测试：比较基于树模型和神经网络的方法

本研究对水平联邦学习中的树模型和深度神经网络进行了对比，结果显示当前联邦增强的树模型在不同数据分区下表现优于联邦深度神经网络，并且联邦 XGBoost 模型表现最佳。此外，即使增加客户端数量，联邦树模型的性能仍优于联邦参数化模型。

May, 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

基于多跳集群的分层联邦学习在车联网中的应用

在车辆自组织网络中，引入了一种基于多跳聚类的分层联邦学习框架来解决有限的通信资源、高车辆移动性和数据分布统计多样性等问题，并通过使用平均相对速度和 FL 模型参数的余弦相似度的加权组合作为聚类度量来确保收敛性，在处理非独立同分布数据的情况下，最小化簇头变更的同时处理复杂性。此框架还包括一种管理聚类头的平滑过渡机制以及向指定簇头传递最新的 FL 模型参数的新机制，同时考虑合并簇头的选项以减少数量和相关开销，并通过广泛的仿真实验，证明了相对于之前提出的聚类算法和非聚类车辆自组织网络，该分层联邦学习系统在提高准确性和收敛时间方面显著改进，并且维持了可接受的分组开销水平。

Jan, 2024

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

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

智能交通系统中的联邦学习：最近的应用和待解决问题

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

联邦学习的进展：模型、方法和隐私

本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

Feb, 2023

行星探测的联邦多智能体映射

多智能体机器人探索中，联邦学习是处理分布式数据、地图表示和元初始化的有效方法。方法通过利用隐式神经映射和地球数据预训练，实现紧凑且适应性高的地图表示，在多智能体探索场景中展现强大的泛化能力。

Apr, 2024