车联网中一种可信感知的群联邦深度学习框架
系统与控制
2021-08-10 v1 机器学习
系统与控制
摘要
联邦深度学习（FDL）正助力在车联网（IoV）中实现分布式机器学习。然而，FDL 的全局模型需要多个客户端上传学习模型参数，因此仍存在不可避免的通信开销与数据隐私风险。近期提出的群学习（SL）提供了一种去中心化机器学习方法，它结合边缘计算与基于区块链的协调，无需中心协调器。本文提出一种车联网系统中的群联邦深度学习框架（IoV-SFDL），将 SL 集成到 FDL 框架中。IoV-SFDL 组织车辆基于区块链赋能的 SL 与相邻车辆生成局部 SL 模型，随后通过所提出的可信度权重预测算法在不同 SL 组间聚合全局 FDL 模型。大量实验结果表明，与基线框架相比，所提 IoV-SFDL 框架在相同训练迭代次数下，边缘到全局的通信开销降低了 16.72%，同时模型性能提升约 5.02%。
引用
@article{arxiv.2108.03981,
title = {A Credibility-aware Swarm-Federated Deep Learning Framework in Internet of Vehicles},
author = {Zhe Wang and Xinhang Li and Tianhao Wu and Chen Xu and Lin Zhang},
journal= {arXiv preprint arXiv:2108.03981},
year = {2021}
}