面向边缘辅助车载网络的异步联邦学习

车载网络使车辆能够通过训练数据支持实时车载应用。由于计算能力有限，车辆通常将数据传输至网络边缘的路侧单元（RSU）进行处理。然而，出于隐私考虑，车辆通常不愿彼此共享数据。对于传统联邦学习（FL），车辆在本地训练数据得到本地模型，再将本地模型上传至RSU以更新全局模型，从而通过共享模型参数而非数据来保护数据隐私。传统FL同步更新全局模型，即RSU需等待所有车辆上传模型后方可更新全局模型。然而，车辆在完成本地训练前常驶出RSU覆盖范围，这降低了全局模型的精度。有必要提出异步联邦学习（AFL）以解决该问题，即RSU一旦收到车辆的本地模型便更新全局模型。但数据量、计算能力与车辆移动性可能影响全局模型的精度。本文联合考虑数据量、计算能力与车辆移动性设计了一种AFL方案以提升全局模型精度。大量仿真实验表明，我们的方案优于FL方案。