FedDriveScore：基于混合度量分布的联邦驾驶行为评分
机器学习
2024-01-17 v1 分布式、并行与集群计算
摘要
基于驾驶员在日常行程中驾驶的安全性或经济性，在一个统一尺度上对其驾驶表现进行评分，对于驾驶员画像任务至关重要。网联汽车提供了收集真实世界驾驶数据的机会，这有利于构建评分模型。然而，缺乏预先标注的分数阻碍了有监督回归模型的使用，而数据隐私问题则阻碍了在云端进行传统的集中式数据学习以训练模型的方式。为解决这些问题，我们提出了一种无需标签的无监督评分方法，同时与主观评分策略相比，仍能保持公平性和客观性。随后，提出了一种基于车云协同的联邦学习框架，作为集中式学习的隐私友好型替代方案。该框架包含评分方法的一个一致联邦化版本，以减少由本地数据的统计异质性挑战引起的全局评分模型性能下降。理论和实验分析表明，我们的联邦评分模型与集中式学习的对应模型效用一致，并且在评估驾驶表现方面是有效的。
引用
@article{arxiv.2401.06953,
title = {FedDriveScore: Federated Scoring Driving Behavior with a Mixture of Metric Distributions},
author = {Lin Lu},
journal= {arXiv preprint arXiv:2401.06953},
year = {2024}
}