May, 2024

关于船舶位置预测和联邦学习的影响

PDF
TL;DR使用 LSTM 神经网络，我们提出了一种高效的集中式和联邦式学习方法，分别称为 Nautilus 和 FedNautilus，以解决准确的船只位置预测 (VLF) 这一复杂且动态的海上交通问题，并展示了集中式方法相对于现有技术的优势和联邦式方法的优缺点。
automatic identification systemmaritime analyticsvessel location forecastinglstm neural networksfederated learning
发现论文，激发创造
  • 通过多路径长期船舶轨迹预测构建更安全的海上环境

    利用自动识别系统（Automatic Identification System，AIS）数据和编码器 - 解码器模型，本研究预测了船只轨迹，进而提高船只安全和避免船只与鲸类碰撞，证实了地理数据工程和轨迹预测模型在保护海洋生物物种方面的潜力。

    Oct, 2023

  • 利用机器学习揭示船舶运动的 AIS 传输行为

    本文针对海洋数据中存在时间奇异性的问题，使用神经网络建模，预测多艘船舶的 AIS 消息内容，以改善航线预测。在多个算法实验中，卷积层、前馈网络和递归神经网络的组合模型表现最佳。结果表明该模型有效地提高了航线预测的准确度。

    Feb, 2022

  • RaftFed: 一种适用于车辆群智的轻量级联合学习框架

    车辆群体智能是一个新兴的研究领域，本文提出了一种名为 RaftFed 的新型联邦学习框架，用于促进隐私保护的车辆群体智能。实验结果显示，RaftFed 在通信开销、模型准确性和模型收敛方面表现优于基准模型。

    Oct, 2023

  • 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

  • 车辆间通信增强的动态调度联邦学习

    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

  • AI 增强模拟指导操作

    使用长短期记忆（LSTM）神经网络的多保真度自适应方法来估计双峰双向海况下的船舶响应统计数据，并使用低保真度的 SimpleCode 和高保真度的 LAMP 工具生成训练数据，通过对 LAMP 船舶运动响应数据进行训练后，将历史天气输入到 SimpleCode 和 LSTM 网络中，与高保真度结果进行比较。

    Jul, 2023

  • 基于自动识别系统数据的多模型 LSTM 轨迹关联架构

    该研究提出了一种基于 LSTM 的多模型框架来解决船舶轨迹关联问题，该框架结合了自动识别系统 (AIS) 提供的大量动态地理空间信息，从历史观测中预测当前船舶位置，并使用基于测地线距离的相似性度量来关联未分类的观测结果和真实轨迹，从而有效地解决了海洋监视中一直存在的难题。

    Apr, 2023

  • 隐私共享！基于垂直联邦学习的机密预测

    “Secret-shared Time Series Forecasting with VFL” (STV) is a novel framework that addresses challenges in vertical federated learning, providing privacy-preserving algorithms for time series forecasting with strong convergence, minimal hyperparameter tuning, and scalability analysis.

    May, 2024

  • LEO 卫星星座中的地面辅助联邦学习

    本文提出了基于联邦学习（FL）的新算法，包括一种基于 FedAvg 的新型异步 FL 过程，对 MNIST 和 CIFAR-10 数据集进行的广泛数字评估表明，该方法具有快速收敛速度和优异的渐进测试准确性，可用于解决卫星成像的推理等问题。

    Sep, 2021

  • 纵向联邦图像分割

    提出了一种创新的垂直联邦学习 (VFL) 模型架构，能够在常见情况下进行操作。通过利用一个能够处理缺少标记数据的联邦状况的 FCN, 以及与承载分类所需特征的中央服务器私密共享权重的方式，实现图像分割并保持准确性。在 CamVid 数据集上进行了测试，以确定在联邦之间传输信息所需的特征压缩的影响，并在此类约束条件下对整体性能指标作出合理的结论。

    Jan, 2024