车载网络中的联邦学习
信号处理
2022-07-19 v3 信息论
机器学习
math.IT
摘要
机器学习 (ML) 因其无模型特性，允许自适应快速响应，近期已被应用于车载网络中的自动驾驶、道路安全预测和车辆目标检测等应用。然而，这些 ML 应用大多采用集中式学习 (CL)，这给参数服务器与车载边缘设备之间的数据传输带来了显著的开销。联邦学习 (FL) 框架近期被引入作为一种高效工具，旨在通过传输模型更新而非整个数据集来减少传输开销并实现隐私保护。本文研究了在车载网络应用中采用 FL 替代 CL 以开发智能交通系统。我们对 FL 用于基于 ML 的车载应用的可行性进行了全面分析，并以利用基于图像的数据集进行目标检测作为案例研究。随后，我们从学习视角（即数据标注和模型训练）以及通信视角（即数据速率、可靠性、传输开销、隐私和资源管理）识别了主要挑战。最后，我们强调了车载网络中 FL 的相关未来研究方向。
引用
@article{arxiv.2006.01412,
title = {Federated Learning in Vehicular Networks},
author = {Ahmet M. Elbir and Burak Soner and Sinem Coleri and Deniz Gunduz and Mehdi Bennis},
journal= {arXiv preprint arXiv:2006.01412},
year = {2022}
}
备注
2022 IEEE International Mediterranean Conference on Communications and Networking (MeditCom)