面向车联网的 mobility-aware 去中心化联邦学习：联合优化本地迭代与领袖选择
网络与互联网体系结构
2025-04-01 v2
摘要
联邦学习 (FL) 作为一种引导由智能联网车辆组成的车联网的有前景的方法，这些车辆配备了先进的感知、计算和通信能力。尽管已探索了 FL 在车联网中的应用，但它们在忽视车辆 mobility 带来的复杂挑战以及资源约束方面大多不足。本文提出了一种面向车联网的 mobility-aware 去中心化联邦学习 (MDFL) 框架。在该框架中，相邻车辆以去中心化方式协同训练 FL 模型。我们构建了一种本地迭代与领袖选择联合优化问题 (LSOP)，以提高 MDFL 的训练效率。对于问题求解，我们首先将 LSOP 表述为一种去中心化部分可观测马尔可夫决策过程 (Dec-POMDP)，随后基于多智能体策略梯度优化 (MAPPO) 开发了有效的优化算法来求解 Dec-POMDP。最后，我们通过与其他算法比较来验证了所提算法的性能。
引用
@article{arxiv.2503.06443,
title = {Mobility-Aware Decentralized Federated Learning with Joint Optimization of Local Iteration and Leader Selection for Vehicular Networks},
author = {Dongyu Chen and Tao Deng and Juncheng Jia and Siwei Feng and Di Yuan},
journal= {arXiv preprint arXiv:2503.06443},
year = {2025}
}
备注
Preprint submitted to Computer Networks; Corrected a missing space in arXiv abstract to ensure proper formatting