基于车联网共识机制的增强型去中心化联邦学习
机器学习
2022-09-23 v1 人工智能
分布式、并行与集群计算
摘要
近期关于车联网的研究致力于将车辆到一切(V2X)网络与机器学习(ML)工具及分布式决策相融合。联邦学习(FL)正作为一种新范式兴起,用于在分布式系统(包括V2X网络中的车辆)中训练机器学习(ML)模型。大量互联车辆作为本地学习器,不再将训练数据共享并上传至服务器,而是进行模型参数(如神经网络的权重与偏置)的更新。尽管有这些优势,现有方法的局限在于集中式优化依赖服务器进行本地参数的聚合与融合,导致单点故障缺陷以及V2X网络规模扩大时的扩展性问题。同时,在智能交通场景中,车载传感器采集的数据存在冗余,降低了聚合性能。为解决这些问题,我们探索去中心化数据处理的新思路,并提出一种面向网内车辆的联邦学习框架C-DFL(基于共识的去中心化联邦学习),以处理车联网上的联邦学习并提升学习质量。我们进行了大量仿真来评估C-DFL的性能,结果表明C-DFL在所有情况下均优于传统方法。
引用
@article{arxiv.2209.10722,
title = {Enhanced Decentralized Federated Learning based on Consensus in Connected Vehicles},
author = {Xiaoyan Liu and Zehui Dong and Zhiwei Xu and Siyuan Liu and Jie Tian},
journal= {arXiv preprint arXiv:2209.10722},
year = {2022}
}
备注
9 pages, 10 figures, Journal