面向车联网的 mobility-aware 联邦学习：基于多臂老虎机的车辆选择

本文研究了车联网上进行联邦学习 (FL) 的车辆选择问题。具体而言，我们设计了一种mobility-aware vehicular federated learning (MAVFL) 方案，其中车辆驶过路段以执行 FL。一些车辆可能驶出该路段，从而导致训练失败。在本方案中，利用实时的成功训练参与比率来实现车辆选择。我们进行收敛分析，以说明车辆mobility对训练损失的影响。进一步，我们提出一种基于多臂老虎机的车辆选择算法，以最小化考虑训练损失和延迟的效用函数。仿真结果表明，与基线方法相比，所提出的算法可实现更好的训练性能，约快 28% 的收敛速度。