面向车联网边缘计算的自适应并行分层联邦学习
机器学习
2025-01-20 v1 人工智能
网络与互联网体系结构
摘要
车联网边缘智能 (VEI) 是一种为未来智能交通系统提供人工智能 (AI) 支持的前沿技术，通过在车联网边缘计算 (VEC) 系统中集成 AI 来实现。联邦学习 (FL) 是VEI中实现本地协作模型训练和聚合、同时保护车辆数据隐私的基本技术之一。然而，传统联邦学习面临适应车辆异构性、在资源受限的车辆上训练大型模型、以及面临模型权重隐私泄露风险等挑战。与此同时，分层学习 (SL) 作为一种潜在的协作学习框架，被提出以缓解模型权重泄露风险，卸载车辆上的训练工作负载。SL通过在给定的切分层将整个模型分为车辆侧模型和边缘云 (EC) 侧模型，实现车辆与边缘云之间的顺序训练。本文结合SL和FL的优势，开发了面向车联网边缘计算的自适应分层联邦学习方案 (ASFV)。ASFV方案考虑到移动车辆选择和资源分配，自适应地分割模型并并行化训练过程。我们在非独立同分布数据上的大量仿真实验表明，所提出的ASFV方案在适应网络动态和车辆 mobility 的同时，显著降低了训练延迟，优于现有基准方法。
引用
@article{arxiv.2405.18707,
title = {Adaptive and Parallel Split Federated Learning in Vehicular Edge Computing},
author = {Xianke Qiang and Zheng Chang and Yun Hu and Lei Liu and Timo Hamalainen},
journal= {arXiv preprint arXiv:2405.18707},
year = {2025}
}