实时端到端联邦学习：一个汽车领域案例研究
机器学习
2022-01-02 v2 分布式、并行与集群计算
软件工程
摘要
随着机器学习/深度学习（ML/DL）领域的发展与关注度的提升，企业迫切希望应用机器学习/深度学习方法以提升服务质量和客户体验。联邦学习作为一种有效的模型训练方法被提出，用于分布式加速耗时的模型训练，同时保护用户数据隐私。然而，常见的联邦学习方法采用同步协议进行模型聚合，缺乏灵活性，难以适应真实场景中快速变化的环境与异构硬件配置。本文提出一种结合新型异步模型聚合协议的实时端到端联邦学习方法。我们的方法在汽车领域的工业用例中得到验证，聚焦于自动驾驶中的方向盘转角预测。研究结果表明，异步联邦学习能在保持与集中式机器学习同等精度的同时，显著提升本地边缘模型的预测性能。此外，通过使用滑动训练窗口，该方法可最小化通信开销、加快模型训练速度并消费实时流数据，证明了在将 ML/DL 组件部署到异构真实嵌入式系统时的高效性。
引用
@article{arxiv.2103.11879,
title = {Real-time End-to-End Federated Learning: An Automotive Case Study},
author = {Hongyi Zhang and Jan Bosch and Helena Holmström Olsson},
journal= {arXiv preprint arXiv:2103.11879},
year = {2022}
}