RaftFed：一种面向车载群体智能的轻量级联邦学习框架
机器学习
2023-10-12 v1
摘要
车载群体智能（VCI）是一个新兴的研究领域。借助最先进的车载自组织网络和人工智能，各类 VCI 应用应运而生，例如协同感知、定位与建图。VCI 应用的协同特性通常要求参与者之间共享数据，从而形成全网智能。如何在不损害数据隐私的情况下完成这一过程仍是一个具有挑战性的问题。尽管联邦学习（FL）是解决该问题的一种有前景的工具，但将传统 FL 框架适配到 VCI 中并非易事。首先，由于存在信道条件不利的掉队者（straggler），集中式模型聚合在 VCI 中不可靠。其次，现有 FL 方案易受非独立同分布（Non-IID）数据的影响，而 VCI 中的数据异构性加剧了这一问题。本文提出一种称为 RaftFed 的新型联邦学习框架，以促进保护隐私的 VCI。实验结果表明，RaftFed 在通信开销、模型精度和模型收敛方面均优于基线方法。
引用
@article{arxiv.2310.07268,
title = {RaftFed: A Lightweight Federated Learning Framework for Vehicular Crowd Intelligence},
author = {Changan Yang and Yaxing Chen and Yao Zhang and Helei Cui and Zhiwen Yu and Bin Guo and Zheng Yan and Zijiang Yang},
journal= {arXiv preprint arXiv:2310.07268},
year = {2023}
}
备注
8 pages,8 figures