FedPylot：面向车联网实时目标检测的联邦学习导航
机器学习
2024-06-07 v1 计算机视觉与模式识别
分布式、并行与集群计算
摘要
车联网（IoV）通过包含车辆、基础设施、行人和云端的密集互联网络实现低延迟大数据处理，成为自动驾驶和智能交通系统（ITS）的关键组成部分。自动驾驶汽车严重依赖机器学习（ML），并能从边缘产生的丰富传感数据中获益，这要求采取措施协调模型训练与保护敏感用户数据的隐私。联邦学习（FL）作为一种有前景的解决方案，可在保护道路使用者隐私并减轻通信开销的同时，在车载网络中训练复杂的ML模型。本文研究了先进YOLOv7模型的联邦优化，以应对数据异质性（包括不平衡性、概念漂移和标签分布偏斜）下的实时目标检测。为此，我们引入了FedPylot，一个轻量级的基于MPI的原型，用于在高性能计算（HPC）系统上模拟联邦目标检测实验，其中我们使用混合加密保护服务器-客户端通信。我们的研究考虑了准确性、通信成本和推理速度，从而为自动驾驶汽车面临的挑战提供了一种平衡的方法。我们展示了FL在IoV中应用的令人鼓舞的结果，并希望FedPylot能为未来联邦实时目标检测的研究提供基础。源代码可在https://github.com/cyprienquemeneur/fedpylot获取。
引用
@article{arxiv.2406.03611,
title = {FedPylot: Navigating Federated Learning for Real-Time Object Detection in Internet of Vehicles},
author = {Cyprien Quéméneur and Soumaya Cherkaoui},
journal= {arXiv preprint arXiv:2406.03611},
year = {2024}
}