在非地面网络 6G 愿景中通过分布式学习实现智能车载网络
网络与互联网体系结构
2024-03-18 v1 人工智能
分布式、并行与集群计算
摘要
即将到来的 6G 赋能智能交通系统(ITS)将通过先进的智能服务与应用重新定义传统交通网络。这些技术，包括边缘计算、机器学习(ML)和网络软生化，对时延、能效和用户数据安全性提出了严苛要求。分布式学习(DL)，如联邦学习(FL)，对于通过将学习过程分布到网络边缘来满足这些需求至关重要。然而，传统 FL 方法通常需要大量资源才能获得满意的学习性能。相比之下，迁移学习(TL)和分割学习(SL)已证明在如 ITS 这类资源受限的无线场景中提升学习效率的有效性。非地面网络(NTNs)最近在 6G 愿景中占据了核心地位，特别是用于提升传统地面设施的覆盖、容量和弹性。基于空中 NTN 层，如高空平台(HAPs)，在传输距离缩短和灵活部署方面具有额外优势，因此可被利用来实现面向时延敏感车载场景的智能解决方案。受此启发，在本工作中我们提出在空地联合网络中面向资源受限车载场景的联邦分割迁移学习(FSTL)概念。在车载场景中进行的仿真验证了 NTN 中 HAPs 上 FSTL 的有效性，展示了其在满足 ITS 应用需求方面的显著改进。
引用
@article{arxiv.2310.05899,
title = {Enabling Intelligent Vehicular Networks Through Distributed Learning in the Non-Terrestrial Networks 6G Vision},
author = {David Naseh and Swapnil Sadashiv Shinde and Daniele Tarchi},
journal= {arXiv preprint arXiv:2310.05899},
year = {2024}
}
备注
6 pages, 5 figures