MOB-FL：面向智能联网车辆的移动感知联邦学习
机器学习
2022-12-08 v1
摘要
联邦学习（FL）是一种有前景的方法，可赋能由具备强大感知、计算与通信能力的智能联网车辆（ICVs）构成的未来车联网。我们考虑由基站（BS）协调附近ICV以协作且分布式的方式训练神经网络，从而限制数据流量与隐私泄露。然而，由于车辆的移动性，BS与ICV间的连接是短时的，这影响了ICV的资源利用率，进而影响了训练过程的收敛速度。本文中，我们通过优化每轮训练时长与本地迭代次数，提出一种加速的FL-ICV框架，以获得更好的FL收敛性能。我们提出一种称为MOB-FL的移动感知优化算法，旨在短时无线连接下最大化ICV的资源利用率，从而提升收敛速度。基于波束选择与轨迹预测任务的仿真结果验证了所提方案的有效性。
引用
@article{arxiv.2212.03519,
title = {MOB-FL: Mobility-Aware Federated Learning for Intelligent Connected Vehicles},
author = {Bowen Xie and Yuxuan Sun and Sheng Zhou and Zhisheng Niu and Yang Xu and Jingran Chen and Deniz Gündüz},
journal= {arXiv preprint arXiv:2212.03519},
year = {2022}
}