基于动态联邦学习的车联网经济框架
网络与互联网体系结构
2021-03-12 v2 机器学习
摘要
联邦学习（FL）可使车联网（IoV）网络受益，利用智能车辆（SV）以最小数据交换与隐私泄露参与学习过程。所收集数据与习得知识可帮助车载服务提供商（VSP）提升全局模型精度，例如用于道路安全，并为VSP与参与SV带来更高收益。然而，在IoV网络中实施FL存在重大挑战，如大量SV的动态活动与多样信息质量（QoI）、VSP有限支付预算，以及SV间利润竞争。本文提出一种面向IoV网络的新型动态FL经济框架以应对这些挑战。具体而言，VSP首先实施SV选择方法，依据各学习轮次中当前位置显著性与信息历史，确定一组最佳SV用于FL过程。随后，各被选SV可采集路面信息并基于所采QoI向VSP提供支付契约。为此，我们开发多委托人单代理人基于契约的策略，在VSP有限支付预算及VSP与SV间非对称信息下最大化VSP与学习SV利润。通过真实路面数据集实验，表明相较其他基线FL方法，本框架收敛快57%（即便网络中仅10%活跃SV），且网络社会福利高出至多27.2倍。
引用
@article{arxiv.2101.00191,
title = {Dynamic Federated Learning-Based Economic Framework for Internet-of-Vehicles},
author = {Yuris Mulya Saputra and Dinh Thai Hoang and Diep N. Nguyen and Le-Nam Tran and Shimin Gong and Eryk Dutkiewicz},
journal= {arXiv preprint arXiv:2101.00191},
year = {2021}
}
备注
18 pages, 12 figures, submitted to an IEEE journal