面向车联网的 mobility-aware 联邦自监督学习
机器学习
2025-06-23 v2 网络与互联网体系结构
摘要
联邦学习(FL)是一种高级的分布式机器学习方法，通过在多个设备上同时训练模型而无需将所有数据上传到路侧单元(RSU)，从而保护每辆车的隐私。这使得FL能够处理敏感或分布广泛的数据。在这些场景中，众所周知，标注成本是一个巨大的开支，而依赖标签的模型不适用于这些快速变化的场景，尤其是车联网或移动物联网(MIoT)，因为新数据不断涌现。在处理这一问题方面，自监督学习为在没有标签的情况下进行训练提供了道路。此外，由于车辆具有高速率，图像会出现模糊，简单地聚合不仅会影响聚合模型的准确性，还会降低FL的收敛速度。本文提出一种基于图像模糊程度进行聚合的FL算法，称为FLSimCo，不需要标签，可作为车联环境下自监督学习的预训练阶段。仿真结果表明，所提出的算法具有快速且稳定的收敛。
引用
@article{arxiv.2408.00256,
title = {Mobility-Aware Federated Self-supervised Learning in Vehicular Network},
author = {Xueying Gu and Qiong Wu and Pingyi Fan and Qiang Fan},
journal= {arXiv preprint arXiv:2408.00256},
year = {2025}
}
备注
This paper has been accepted by urban lifeline. The source code has been released at: The source code has been released at: https://github.com/qiongwu86/FLSimCo