FedADAS：面向车联网中基于车载设备的驱动员打哈欧识别的高效联邦蒸馏
分布式、并行与集群计算
2026-05-20 v1
摘要
司机疲劳是高级驾驶辅助系统中的关键安全问题。驾驶员监控模型在离线静态数据集上训练后难以适应真实世界条件，而标准联邦学习又带来高通信开销，假设同质化架构，并在面对个性化司机数据时难以处理。我们提出 FedADAS，一种实现车联网异构环境下车载设备协同学习的联邦蒸馏框架。FedADAS 通过仅交换共享公共数据集上的软 logits，实现完全模型异构性，使每个车辆都能运行针对其计算约束量身定制的模型。此外，我们引入支持车载设备训练和推理的哈欠识别管道，提供两种稳健的架构：性能高效(99.7 MB)在 Jetson NANO 上实现 98.3% F1 分数，推理时间为 1.99ms；内存高效(0.6 MB)在 Jetson AGX Orin 上进行 epoch 训练仅需 6.12 分钟。在实验中，针对最高 115 个边缘客户端，FedADAS 在更高客户端参与度下显著优于传统联邦学习方法，通信成本降低最高可达 9974 倍，同时在极端数据异构性下保持优越的个人化与泛化性 trade-off，证明其适用于实际部署。代码已公开 https://opensource.silicon-austria.com/mujtabaa/fedadas
引用
@article{arxiv.2605.19480,
title = {FedADAS: Communication-Efficient Federated Distillation for On-Device Driver Yawn Recognition in Vehicular Networks},
author = {Ahmed Mujtaba and Gleb Radchenko and Marc Masana and Radu Prodan},
journal= {arXiv preprint arXiv:2605.19480},
year = {2026}
}
备注
This paper is accepted in the 28th International Conference on Pattern Recognition (ICPR) 2026