面向网联自动驾驶车辆的联邦学习：现有方法与挑战综述
机器学习
2023-11-14 v2 密码学与安全
分布式、并行与集群计算
网络与互联网体系结构
摘要
机器学习 (ML) 被广泛用于网联自动驾驶车辆 (CAV) 的关键任务，包括感知、规划与控制。然而，其依赖车载数据进行模型训练带来了与车内用户隐私以及海量数据所产生的通信开销相关的重大挑战。联邦学习 (FL) 是一种去中心化 ML 方法，使多辆车能够协作开发模型，从多样驾驶环境中拓宽学习，提升整体性能，同时保障本地车辆数据的隐私与安全。本综述论文回顾了 FL 在 CAV 中应用 (FL4CAV) 的进展。首先，分析了 FL 的集中式与去中心化框架，突出其关键特征与方法论。其次，综述了 CAV 中与 FL 相关的多样数据源、模型与数据安全技术，强调其在保障隐私与机密性方面的重要性。第三，探讨了 FL 的具体应用，深入剖析各应用所采用的基础模型与数据集。最后，列出了 FL4CAV 现有挑战，并讨论了未来研究潜在方向，以进一步提升 FL 在 CAV 背景下的有效性与效率。
引用
@article{arxiv.2308.10407,
title = {Federated Learning for Connected and Automated Vehicles: A Survey of Existing Approaches and Challenges},
author = {Vishnu Pandi Chellapandi and Liangqi Yuan and Christopher G. Brinton and Stanislaw H Zak and Ziran Wang},
journal= {arXiv preprint arXiv:2308.10407},
year = {2023}
}
备注
IEEE Transactions on Intelligent Vehicles