FedEMA：自动驾驶中结合负熵正则化的联邦指数移动平均
机器人学
2025-05-02 v1 机器学习
摘要
街景语义理解（S3U）是自动驾驶（AD）车辆的一项关键但复杂的任务。由于领域偏移，其推理模型通常面临泛化能力差的问题。联邦学习（FL）已成为一种通过保护隐私的分布式学习来增强自动驾驶模型泛化能力的有前景的范式。然而，这些 FL 自动驾驶模型在动态变化的环境中部署时，面临显著的时序灾难性遗忘，持续的适应会导致历史知识的突然丧失。本文提出联邦指数移动平均（FedEMA），一个通过两项整体创新来解决这一挑战的新颖框架：（I）通过融合当前 FL 轮次的聚合模型与提出的先前 FL 轮次的指数移动平均（EMA）模型，实现服务器端模型历史拟合能力的保留；（II）车辆端负熵正则化，以防止 FL 模型可能对 EMA 引入的时序模式过拟合。上述两种策略赋予 FedEMA 一个平衡模型泛化性和适应性的双目标优化。此外，我们对所提出的 FedEMA 进行了理论收敛性分析。在 Cityscapes 数据集和 Camvid 数据集上的大量实验证明了 FedEMA 相对于现有方法的优越性，其平均交并比（mIoU）高出 7.12%。
引用
@article{arxiv.2505.00318,
title = {FedEMA: Federated Exponential Moving Averaging with Negative Entropy Regularizer in Autonomous Driving},
author = {Wei-Bin Kou and Guangxu Zhu and Bingyang Cheng and Shuai Wang and Ming Tang and Yik-Chung Wu},
journal= {arXiv preprint arXiv:2505.00318},
year = {2025}
}
备注
8 pages