面向连接无人机编排器的自动驾驶车辆的联邦学习异构性问题处理
机器学习
2021-08-06 v1 网络与互联网体系结构
摘要
在本文中，我们设想了一种联邦学习（FL）场景，用于通过充当编排器的无人机交通监视器（DTM）来修正自动驾驶道路车辆的性能。考虑到非独立同分布（non-IID）数据分布，我们专注于加速一类可能危害自动驾驶车辆正常运行的关键物体（CO）的学习问题。这可以通过合理分配无线资源以解决学习者和数据异构性来实现。因此，我们提出了一种反应式无线资源分配方法，该方法在每个 FL 轮次中动态进行，并基于每个学习者对全局模型的贡献。除此之外，我们还探讨了在所有轮次中保持恒定的静态方法。由于我们期望每个学习者的部分参与，我们在计算机视觉任务中使用了 FedProx FL 算法。为进行测试，我们在 MNIST 和 FMNIST 数据集上构建了四类学习者之间的非独立同分布数据划分，场景代表快速变化的环境。结果表明，主动措施在提升系统精度以及在网络中代表性不足时快速学习 CO 类方面有效且通用。此外，实验显示了 FedProx 强度与资源分配努力之间的权衡。尽管如此，调整良好的 FedProx 局部优化器可实现更好的整体精度，尤其在使用更深层的神经网络（NN）实现时。
引用
@article{arxiv.2108.02712,
title = {On Addressing Heterogeneity in Federated Learning for Autonomous Vehicles Connected to a Drone Orchestrator},
author = {Igor Donevski and Jimmy Jessen Nielsen and Petar Popovski},
journal= {arXiv preprint arXiv:2108.02712},
year = {2021}
}
备注
Accepted for publishing in Frontiers in Communications and Networks