面向驾驶员监控应用的联邦迁移-有序-个性化学习
机器学习
2023-05-23 v2 密码学与安全
摘要
联邦学习(FL)凭借其通过共享客户端在本地数据上训练的模型参数来实现协作学习并提升学习效率的能力,在物联网(IoT)中脱颖而出。尽管FL已成功应用于包括车联网(IoV)上的驾驶员监控应用(DMAs)在内的多个领域,其使用仍面临一些开放问题,如数据与系统异构性、大规模并行通信资源、恶意攻击与数据投毒。本文提出一种联邦迁移-有序-个性化学习(FedTOP)框架以解决上述问题,并在两个含与不含系统异构性的真实数据集上测试。通过消融实验比较了迁移、有序与个性化三个扩展的性能,并在两个数据集的测试客户端上分别达到92.32%和95.96%的准确率。与基线相比,准确率提升462%,通信资源消耗降低37.46%。结果表明,所提出的FedTOP可用作一种高精度、精简、隐私保护、面向网络安全且个性化的DMA框架。
引用
@article{arxiv.2301.04829,
title = {Federated Transfer-Ordered-Personalized Learning for Driver Monitoring Application},
author = {Liangqi Yuan and Lu Su and Ziran Wang},
journal= {arXiv preprint arXiv:2301.04829},
year = {2023}
}
备注
IEEE Internet of Things Journal