基于DRL的IoV中面向运动模糊的联邦自监督学习资源分配
计算机视觉与模式识别
2025-06-19 v2 机器学习
网络与互联网体系结构
摘要
在车联网（IoV）中，联邦学习（FL）通过聚合本地模型而不共享数据，提供了一种隐私保护的解决方案。传统监督学习需要带标签的图像数据，但数据标注涉及大量人工工作。联邦自监督学习（FSSL）利用自监督学习（SSL）进行本地训练，无需标签即可实现隐私保护。与其他SSL方法相比，动量对比（MoCo）通过创建词典，降低了对计算资源和存储空间的需求。然而，在FSSL中使用MoCo需要将本地词典上传到基站（BS），这会导致隐私泄露风险。简化对比（SimCo）通过使用双温度而非词典来控制样本分布，解决了基于MoCo的FSSL中的隐私泄露问题。此外，考虑到运动模糊对模型聚合的负面影响，本文基于SimCo提出了一种面向运动模糊的FSSL方法，称为BFSSL。进一步，针对BFSSL过程中的能耗和延迟问题，本文提出基于深度强化学习（DRL）的资源分配方案，即DRL-BFSSL。在该方案中，BS分配Central Processing Unit（CPU）频率和车辆的传输功率，以最小化能耗和延迟，同时根据运动模糊水平聚合接收到的模型。仿真结果验证了我们所提出的聚合和资源分配方法的有效性。
引用
@article{arxiv.2408.09194,
title = {DRL-Based Resource Allocation for Motion Blur Resistant Federated Self-Supervised Learning in IoV},
author = {Xueying Gu and Qiong Wu and Pingyi Fan and Qiang Fan and Nan Cheng and Wen Chen and Khaled B. Letaief},
journal= {arXiv preprint arXiv:2408.09194},
year = {2025}
}
备注
This paper has been accepted by IEEE Internet of Things Journal. The source code has been released at: https://github.com/qiongwu86/DRL-BFSSL