面向自动驾驶的深度联邦学习
机器学习
2022-04-20 v2 分布式、并行与集群计算
机器人学
摘要
自动驾驶是学术界和工业界的一个活跃研究课题。然而，现有大多数解决方案侧重于通过集中式大规模数据训练可学习模型来提高精度。因此，这些方法未考虑用户隐私。本文中，我们提出了一种在尊重隐私关切的同时学习自动驾驶策略的新方法。我们提出了一种点对点深度联邦学习（DFL）方法，以完全去中心化的方式训练深度架构，并消除对中心协调的需求。我们设计了一种新的联邦自动驾驶网络（FADNet），该网络可改善模型稳定性、确保收敛，并处理不平衡数据分布问题，同时采用联邦学习方法进行训练。在三个数据集上的大量实验结果表明，我们的 FADNet 结合 DFL 的方法相较于其他近期方法取得了更优的精度。此外，我们的方法通过不将用户数据收集到中心服务器而能够保持隐私。
引用
@article{arxiv.2110.05754,
title = {Deep Federated Learning for Autonomous Driving},
author = {Anh Nguyen and Tuong Do and Minh Tran and Binh X. Nguyen and Chien Duong and Tu Phan and Erman Tjiputra and Quang D. Tran},
journal= {arXiv preprint arXiv:2110.05754},
year = {2022}
}
备注
Accepted in IEEE Intelligent Vehicles Symposium 2022 (IV 2022)