车联网边缘计算中的自适应并行分割联邦学习
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
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
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
本文介绍了一种模型分区 / 切割的方法,将深度神经网络切分为两个部分,分别在设备和服务器上进行联合训练和联合推理,旨在通过交替优化解决划分点选择和带宽分配问题,以最小化系统的延迟
Oct, 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
本文主要介绍了在 6G 移动网络时代,如何将分布式边缘计算资源与联邦学习相结合,并引入分裂学习以处理海量资源受限的物联网设备,重点讨论边缘分裂学习及其在多边缘协作与移动管理中的设计问题与待解决的开放性问题。
Jun, 2023
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
由于资源约束场景的优势,分割联邦学习(SFL)在 AIoT 系统中具有潜力。为了解决数据异构性和滞后问题,本文提出了一种名为滑动分割联邦学习(S^2FL)的新型 SFL 方法,该方法采用自适应滑动模型拆分策略和基于数据平衡的训练机制。实验结果表明,与传统的 SFL 相比,S^2FL 的推断准确性提高了 16.5%,训练加速了 3.54 倍。
Nov, 2023
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