基于网络套索的去中心化交通事件检测
机器学习
2024-02-29 v1
摘要
交通事件检测在智能交通系统中扮演关键角色，已引起交通工程领域的广泛关注。过去，基于传统机器学习（ML）的检测方法在集中式计算范式下取得了良好性能，即所有数据被传输到中央服务器以构建ML模型。如今，基于深度神经网络的联邦学习（FL）已成为一种主流的去中心化检测方法，能够在保障本地数据治理的同时进行模型训练。然而，这些以神经网络为中心的技术掩盖了成熟的基于ML的检测方法的实用性。本文旨在探索强大的传统基于ML的检测模型在以分布式数据为特征的现代交通场景中的潜力。我们利用一个优雅但较少被探索的分布式优化框架——网络套索（Network Lasso），该框架对凸问题形式具有全局收敛保证，将强大的凸ML模型与之集成，并在一个著名的交通事件检测数据集上与集中式学习、本地学习和联邦学习方法进行比较。实验结果表明，所提出的基于网络套索的方法在数据去中心化的交通场景中为基于FL的方法提供了一个有前景的替代方案，具有强收敛保证，同时重新点燃了传统基于ML的检测方法的重要性。
引用
@article{arxiv.2402.18167,
title = {Decentralised Traffic Incident Detection via Network Lasso},
author = {Qiyuan Zhu and A. K. Qin and Prabath Abeysekara and Hussein Dia and Hanna Grzybowska},
journal= {arXiv preprint arXiv:2402.18167},
year = {2024}
}